畜牧业是我国农村经济的支柱产业,也是农业结构调整的纽带产业。随着信息化时代的发展,畜牧行业数据产生速度明显加快,充分利用海量数据中蕴含的畜牧学知识,能为我国畜牧行业信息智能化提供帮助。畜牧业领域知识存在专业性强、共享困难等问题。因此,畜牧知识的高质量提取与整合成为了研究重点。知识图谱能使用统一的结构表达畜牧业领域中的非结构化信息,形成网状知识结构,降低畜牧业知识的应用门槛。畜牧业知识图谱的构建能为后续诸如智能问诊、智能问答、决策系统等应用场景提供知识库支撑。根据领域和用途的不同,知识图谱可以分为通用知识图谱和领域知识图谱。其中,领域知识图谱更注重深度,由于其专业知识储备要求严格,存在过度依赖专家、构建成本较高的问题,因此自动构建知识图谱是当下领域知识图谱构建的主流方式。自动构建技术中的知识抽取是构建畜牧业知识图谱的关键。本研究作为畜牧业知识图谱构建的一个子任务,负责搭建好整体框架,通过数据采集、知识抽取、知识建模、知识存储四个步骤构建畜牧业知识图谱,涉及的知识包括畜牧品种、兽病、兽药,实现了畜牧业领域知识图谱的自动构建,同时针对构建过程中的命名实体识别任务展开方法研究。主要研究成果如下:（1）多源数据的收集。以《国家畜禽遗传资源品种名录》中的33个物种大类为主体,从畜禽遗传资源普查信息系统、国家兽药基础数据库、兽医学专著等数据源中获取半结构化、非结构化数据,收集内容涉及畜牧品种、兽病、兽药,形成畜牧业数据集。（2）对命名实体识别方法展开研究,提出了基于匹配词权重优化的中文命名实体识别方法。该方法充分利用了词典匹配特征,首先利用预训练模型和分词工具获得每个字符的向量表示和词性标注;然后在词典中匹配潜在词组,根据匹配词词频和文档计数的优化权重对词组加权,结合字符向量得到字符的多特征融合表示;最后使用双向长短期记忆网络进行训练,使用条件随机场完成标签推理得到实体。实验结果表明,该方法在公共数据集和自建中文兽病实体数据集上优于对比模型。（3）使用自顶向下的方法构建畜牧业知识图谱。使用本体构建七步法和Protégé本体构建工具定义畜牧业知识概念体系结构,构建畜牧业领域本体。利用提出的实体识别方法抽取兽病、临床症状等实体8827个,使用基于规则的方法抽取畜牧品种、动物分类等实体3102个、属性三元组17760个、关系三元组10110个。使用Neo4j图数据库完成畜牧业知识图谱的存储和可视化展示,共存储实体6138个,三元组27870个。