目前,类人智能发展迅速,已有相应产品应用于教育、医疗等行业,如针对初等教育考试问题的日本Todai Robot项目和致力于智力问答并拓展到医疗领域的美国IBM的Waston项目。完备和高质量的知识库决定类人智能问答系统的智能水平,在国内,以“文综”为代表的基础教育资源,蕴含丰富的知识,因此构建基础教育资源知识库服务于类人智能问答有重要意义。论文依托863项目“面向基础教育的类人智能知识理解与推理关键技术”(2015AA015403),以地理学科为研究对象,使用深度神经网络完成关系抽取任务并通过多数据源融合方法初步构建知识库。论文主要包括以下几个部分:1)通用关系类型体系和语料库无法满足地理领域,人工构建地理实体关系类型体系和语料库,为关系抽取提供数据基础。分析通用关系类型体系和《基础地理信息要素数据字典》定义了地理实体关系类型体系。分析《中国大百科中国地理》文本特点,制定标注规则,在GATE平台下构建语料库。2)将关系抽取定义为基于字向量的字序列标注的问题,建立端到端的神经网络,使用字特征、句子特征以及提出的类别特征抽取实体关系,为知识库构建提供数据源。字的标注依赖于其相邻的字,基于滑动窗口机制,使用普通神经网络提取字特征,即局部特征。决定字的标注的信息存在句子中,卷积计算可合并局部特征,最大池化可凸显局部特征,使用卷积神经网络提取句子特征,即全局特征。句子中的类别关键词能代表句子含义,由于关键词之间无上下文关系,使用普通神经网络提取类别特征,即更显著的全局特征。论文将准确率、召回率以及F值作为衡量关系抽取性能的指标。3)针对百科数据特点,设计基于文本相似度的算法,解决多数据源融合中实体对齐、属性对齐及属性值冲突问题,为基于本体的知识库提供实例化数据。百科数据特定领域的文章中,稀有词现象普遍,逆文档频率的分类特征明显,文档向量考虑了词序和上下文特点,包含更多语义信息,应用基于词频-逆文档频率和文档向量方法实现实体对齐。基于人工协同编辑的百科数据属性名或值表达方式因人而异,针对属性名大都由一到两个词组成的特点,设计基于词向量的方法实现属性对齐。针对属性值大部分由句子表示的特点,设计基于文档向量方法解决属性值冲突问题。