随着5G时代的到来,物联网、云计算、大数据等相关技术的发展,网络媒体作为一种新的信息传播形式,已经成为我们日常生活获取和发布信息的平台。面对海量的网络数据信息,如何高效的为用户提取出有价值的内容,存在巨大的挑战。本体作为一种有效的知识组织形式和表达方式,具有良好的概念层次结构和丰富的语义关系信息,并且支持逻辑推理,因而在信息检索、知识库管理、语义Web、知识图谱构建等领域得到广泛的研究和应用。本体学习包括三个任务:概念的抽取、概念之间关系(分类关系和非分类关系)的抽取,公理的抽取。非分类关系学习作为本体学习中急需解决的问题,但因其种类繁多,状态空间巨大,这也为非分类关系抽取任务带来了一定的难度。目前非分类关系的学习主要针对特定领域的关系抽取任务,多采用领域相关度和置信度或者改进的方法进行非分类关系的提取,该方法得到的非分类关系具有较强的领域特征,而舆情信息具有跨领域性,突发性等特点,因此,针对舆情本体的构建及相关研究存在一定的难度。本文对舆情本体非分类关系抽取进行研究,主要工作包括以下几个方面:针对舆情分析相关研究数据集的缺乏,本文选取百度、新浪和今日头条等中文网页的新闻信息作为语料来源,并通过去分句、去重、分词对数据进行预处理,标注语料建立小型舆情语料库,最终标注11227作为实验数据。非分类关系类别标注。针对非分类关系种类繁多、状态空间巨大的问题,结合网络舆情信息的特点,缩小非分类关系状态空间的范围。根据其特点得到舆情本体概念间非分类关系类别,共包含27种非分类关系。同时,利用位置、词性等多个特征拼接来使得文本信息更为丰富,进而提升关系抽取结果。最后,本文提出结合词性信息、词注意力和句子注意力机制来捕获中文句子的特征信息,充分利用句子的局部特征及全局特征,将词性向量和其他特征结合作为非分类关系抽取模型的输入,能够充分挖掘句子中的非分类关系信息,进一步提高非分类关系抽取的准确性。实验表明,本文方法有效地抽取舆情本体概念间非分类关系,为舆情本体的构建、知识共享以及重用奠定了基础。