互联网的出现使得人们可以更加方便地获取信息,然而随着大数据时代的到来,如何从大规模的异构信息中获取知识成为了一个难点。自Google公司提出知识图谱的概念以来,利用知识图谱的相关技术,以结构化的形式来优化知识的存储和表示已经成为一种趋势。随着知识图谱规模和应用领域的不断扩大,如何获取一个实体更深层次信息,以及构建出更具有实体立体画像的知识图谱成为了目前知识图谱研究的一个重要方向。以事件类型的实体为例,提出并构建了一个以事件为中心,通过事件要素进行关联扩展的网络社区知识图谱。为了完成知识图谱的构建,首先从网络社区信息中抓取了百科词条和新闻报道等具有较高可信度的数据,然后建立了一个基于LSTM和注意力机制的事件抽取模型(LAL)以识别其中的事件及相关要素,最后在这些事件要素的基础之上完成以事件为中心的网络社区知识图谱构建。为了让知识图谱涉及的相关知识更加完善,还使用了基于词向量最大余弦及逻辑斯蒂回归的相似度算法(Cosine-Logistic)融合其它知识库的知识以补充实体的基础属性和关系。实验证明,LAL和Cosine-Logistic模型在数据集及实际使用中都取得了较好的效果。利用Neo4j数据库的数据统计和图形化查询接口与CN-Dbpedia等知识库进行的比较,说明事件知识图谱补充了通用型知识图谱关于事件类型实体的知识缺失,能够有效的记录一个事件实体的发展历程。这对于具体了解某个事件和分析事件的后续发展及影响具有较大的参考价值。