知识图谱的构建,是要将所需领域的实体的相关信息以及关联关系等各类信息,以RDF三元组的形式存储到一个具有存储、高效检索的图数据库中,并根据需求能够实现特定路径的一个过程。对于知识图谱的构建,相应领域的信息抽取是重中之重。知识抽取主要讲的是实体属性和关系的抽取,通常情况下是一个句子级别的抽取过程。事实类文本中,大部分句子无法用于关系抽取。为了提高自由文本的利用率,可以将涉及实体的动作信息保存下来,或者根据已有需求快速的构造一个特定关系的抽取器。本文主要的研究方向,是提高非结构化文本的利用率,丰富知识图谱,为知识图谱提供数据基础。主要工作包括,第一,设计了一种基于开放域抽取的实体行为抽取框架。无法被关系抽取利用的表示实体行为的文本,进行实体行为抽取。第二,设计了一种基于人机协作的实体对特定关系抽取框架。需要抽取一种新型关系时,能够凭借少量标注数据以及用户协助过程,不断迭代构成新的分类器,提高特定关系的抽取性能。第三,实现了一种基于物理特征和语义特征输入的双向LSTM网络关系抽取模型。在LSTM网络的输入上增加物理特征和语义特征,可以将分类过程从句子级别变为实体对级别,针对句子中不同的实体对可以得到不同的分类结果,有效提高了准确率。