知识图谱是一种组织和管理大量数据最有效的方式,它能够提高人们对信息管理智能化水平。在构建特定领域知识图谱时,数据表达能力是体现知识图谱质量的指标之一。因为实体和实体间的关系是作为构建知识图谱的基本元素,所以从一个句子或者段落中提取出实体以及实体间的关系就显得特别的重要,而且实体间的关系是知识图谱对知识数据表达的重要体现。在目前的知识图谱数据资源描述框架下,通常是每一条关系都用简单的文字语言标签来进行表示,这样的方式虽然简单,但是会使描述实体间关系的强度信息经常会被忽略掉,从而造成实体与实体间存在的关系强度并不能得到充分的体现,导致了知识图谱没能更好的表达实体间的关系,因此本文提出了知识图谱多元关系强度机制,对知识图谱多元关系强度的概念和应用做进一步的解释,通过结合实体重要性设计了多元关系强度估计方法,并在汽车领域知识图谱中的知识抽取中应用了多元关系强度估计方法,提高了知识图谱的三元组质量。本文通过收集整理互联网站点中的汽车知识数据,经由数据预处理后,针对汽车领域非结构化文本数据,提出了基于全词BERT模型的实体抽取方法、基于依存句法分析的关系抽取方法以及多元关系强度估计方法,进行知识抽取的工作,得到结构化三元组知识。本文的基于全词BERT模型的实体抽取模型在汽车领域数据集上的表现相较于其他的对比模型而言,在准确率、召回率和F1值上都得到了提升,表明了本文采用的实体抽取方法的有效性。本文对汽车知识数据进行知识图谱本体设计,再把结构化的三元组知识数据按照本体规范存储到Neo4J中,最终构建出汽车领域知识图谱。本文的基于汽车知识图谱的问答系统在Windows 10操作系统下研究与开发,通过测试表明,该系统实现的各项功能都能满足需求,能够对用户自然语言问句进行解析,正确对问句进行分类,并将问句的实体关系与知识图谱进行映射,在检索答案时能够将问句三元组转换成预定义的Cypher语句查询Neo4J图数据库,并通过Flask将检索的最佳答案返回给用户,实现系统与用户的前端交互。该系统还提供了知识图谱的可视化展示,便于用户了解汽车的相关知识。