开放信息抽取技术旨在从无结构文本中抽取结构化的信息三元组,可以从海量文本数据中自动获取有价值信息,是解决信息爆炸问题的重要方法。目前,该技术已被广泛应用于工业界,并在众多NLP下游任务中起到了关键作用。当前的开放信息抽取系统多为基于神经网络的序列标注模型。然而,这类方法无法准确标注歧义实体的信息类别,且由于抽取速度较为缓慢,无法处理超大规模数据与用户的实时请求。另一方面,开放信息抽取技术在问题引导的文本摘要领域的应用仍缺乏足够的研究。现有的文本摘要方法多采用基于神经网络的文本生成模型,无法保证生成摘要信息的事实正确性与信息的覆盖率。据此,本研究提出了两个新的开放信息抽取模型,并提出了一个基于开放信息抽取技术的问题引导的文本摘要算法。具体来说,本文的主要贡献有:1.针对当前开放信息抽取方法无法识别歧义实体的问题,本文提出了基于多级别特征的开放信息抽取模型。首先,该模型提出了谓语特定的词嵌入层在识别实体信息边界过程中引入全局语义信息;其次设计了互注意力机制,使用跨度分类方法判断实体信息的类别。本文提出的模型在OIE2016等数据上取得了最优的实验效果。2.针对当前神经网络抽取算法抽取速度缓慢的问题,本文提出了基于滑动窗口匹配算法的开放信息抽取模型。该方法首先采用简化的SPO标签标注文本中的所有信息,并设计了基于滑动窗口的分组算法将信息匹配成组。本方法显著降低了抽取过程中神经网络的调用次数。在SAOKE数据集上的实验证明,本模型在不损失抽取精度的前提下显著提高了抽取效率。3.基于以上抽取算法,针对当前文本摘要方法无法保证生成信息正确性与信息覆盖率的问题,本文提出了知识图谱增强的问题导向文本摘要模型。首先,该模型使用信息抽取算法构建知识图谱,并提出图自注意力机制在摘要生成过程中有选择地使用知识图谱中重要的部分。其次,本模型使用条件子注意力模块根据输入问题针对性生成文字摘要。实验结果显示,本方法在Debatepedia数据集上显著地提高了摘要生成的质量。