人工智能时代的到来,为充斥在人们生活中的海量、异构、复杂数据信息的有效组织和管理、挖掘并利用其中的隐含知识等,提供了新的机遇与挑战,已成为业界、学术界的热点研究问题。其中,知识是人工智能的基石,因而近年来知识图谱技术应运而生并迅猛发展。知识图谱将各种数据信息组织在一起形成一个庞大的知识库,为机器提供丰富的结构化数据,成为人工智能技术中重要的资源。虽然目前知识图谱取得了较多研究成果,技术逐渐成熟,但在命名实体识别、知识表示方面仍存在一些不足,这直接影响知识图谱构建的质量,因此,命名实体识别与知识表示学习研究成为知识图谱领域研究的热点问题。本文针对知识图谱构建中命名实体识别与知识表示进行了深入研究,旨在提高命名实体识别的准确率,知识表示学习的性能,进而提高知识图谱构建的质量。主要研究内容如下:(1)针对命名实体识别方法中存在严重依赖大量人工特征导致文本特征表示不充分的问题,提出一种基于Seq2Seq模型的命名实体识别方法BERT-Seq2Seq-Attention。首先,利用BRET预训练模型动态生成字的语义向量;然后,通过Seq2Seq模型中的编码器对字向量进行编码,并引入注意力机制为词语分配权重,从而获取文本局部特征和全局特征;最后,将得到的特征输入到解码器中,通过softmax层预测序列标签。实验结果表明,该方法在准确率、召回率与F1值上均有所提升,具有良好的适用性。(2)针对知识表示模型仅对实体间的直接关系进行建模优化,未充分考虑实体、关系的多样性和多步关系路径中隐含的间接关系问题,提出一种基于动态关系映射和路径建模的知识表示学习模型(PDRM)。该模型首先采用TransD模型对直接关系进行建模,并设置动态权重矩阵优化得分函数;其次,利用路径建模获得实体的间接关系,丰富实体语义信息;此外,在模型训练时通过K-means聚类算法构建负例三元组样本,降低错误三元组出现的概率;最后,在两个数据集上验证了模型的有效性。(3)针对信息推荐中数据稀疏和语义信息欠缺问题,提出一种基于知识图谱表示学习的信息推荐算法(SAEKG-CF)。该算法首先将评分矩阵作为栈式自编码器的输入,训练得到项目的隐性特征向量,并据此计算得到特征相似性矩阵;随后,利用知识图谱表示学习模型(PDRM)将项目中的实体映射到低维向量空间,并计算出低维向量空间中实体间的语义相似性矩阵;在此基础上,将特征相似性矩阵与语义相似性矩阵相融合,得到融合相似性矩阵,进而依据最优融合相似性矩阵产生top-k推荐列表。(4)基于服务统计数据信息,构建了智慧服务平台系统,成功的将前述研究成果应用于系统中的知识问答和服务信息推荐模块。