知识图谱是实现强人工智能的重要基础，是世界知识普遍联系在人工智能学科的直接体现。经过多年的发展，机器的感知能力得到大幅提升。然而，对于机器的认知能力仍是研究者们探索的热点和难点。知识图谱作为实现认知能力的重要方案，其按照人类大脑认识世界的普遍规律，通过构建一个反应客观世界知识联系的知识体系，实现机器所易处理的数据结构。然而，知识图谱的构建和基于知识图谱的上层应用仍然存在自动化程度低和泛化性能差等问题。为应对这些挑战，本文研究内容如下:
　　1、针对既有的方法在语义关系上缺少对句子本身句法、词法的关注以及对语义关系识别有重要作用的局部信息捕捉不足，本课题研究了语义关系抽取。本文提出了带有注意力机制的双向序列和树结构的LSTM模型，有效提升了关系抽取任务各项指标;
　　2、上下位关系在世界知识中普遍存在，其对于丰富知识图谱的知识具有重要意义。然而，既有的分类法归纳模型要么不能够整体优化任务指标，要么收敛速率慢。为此，本文提出了DTaxa模型，用于分类法的端到端自动化归纳，实现了知识图谱和分类法的融合;
　　3、既有的基于知识图谱的上层应用的方法存在任务、模型和知识图谱“一对一”的问题，导致知识不能在相似的任务之间进行共享。因此，在本课题中，通过建立基于知识图谱推理的多任务强化学习的统一框架SAMC，本文研究了知识图谱补全、基于知识图谱的智能问答和基于知识图谱的个性化推荐，实现了知识共享。