随着政务系统信息化程度的不断提高,各级政府机关在日常工作中积累了大量的数据。一方面,这些宝贵的数据资源有助于提高各职能机构的运转效率,促进社会经济发展;另一方面,由于政务数据的专业性和复杂性,使得人工提取数据中蕴含的海量信息变得难以实现。近年来自然语言处理技术的飞速发展,为信息自动化提取和数据高效利用奠定了坚实基础。然而政府机关对数据精度的要求较高,现有的算法未能充分利用该领域的文本特征,不能很好地满足政务知识图谱的构建需求。为了弥补现有方案的不足,本文针对政务命名实体识别和政务实体关系抽取两个子任务分别提出新的算法。在政务命名实体识别任务中,需要检测实体的边界和类别。考虑到构成政务实体的字词具有明显的公文特色,因此本文提出了一种基于预训练分类机制的实体识别方法。通过数据标注工具,将训练集划分为实体部分和非实体部分。分别对其进行分词操作并统计词频,在两个部分中各取一定比例的高频词构建正负类词典,对分类器进行预训练。然后通过该分类器为所有字词生成置信度参数,表征其构成政务实体的可能性。由于输入数据之间存在互相关性,因此本文借助双向长短期记忆网络（Bidirectional Long ShortTerm Memory,Bi LSTM）提取上下文信息。同时考虑到不同特征对输出结果的贡献各不相同,因此引入注意力机制（Attention Mechanism）为不同的特征分配适宜的权重参数。最后使用条件随机场（Conditional Random Field,CRF）对标签之间的约束关系建模。该方法充分利用构成政务实体的字词特征,提高了政务命名实体识别的预测精度。在政务实体关系抽取任务中,需要判定实体对之间的关系类型。考虑到政务文本中存在大量并列结构的实体对,且实体对之间分布集中、关系相同、跨度不同,因此充分利用局部特征成为改善政务实体关系抽取效果的重要方式。然而现有的方法通过卷积操作和池化层提取文本特征时将丢失局部特征的位置信息,因此本文提出特征序列分割卷积神经网络（Feature Sequence Segmentation Convolutional Neural Network,FSSCNN）实现自适应池化,弥补了现有方案的不足。为了提取不同跨度上对预测结果影响较强的局部特征,本文采用显著性特征提取卷积神经网络（Saliency Feature Extraction Convolutional Neural Network,SFECNN）,实现局部特征增强。与此同时,本文借助Transformer结构提取长距离依赖关系,将局部特征与全局特征融合后,通过Softmax函数输出关系类别。该方法保留局部特征和全局特征中的位置信息,有助于改善关系抽取任务的预测效果。