资源库是计算机辅助创新系统中的一个重要库,多年来一直通过人工抽取资源进行填充。资源库的数据量对辅助创新具有重大价值和意义,所以如何从海量文本中自动高效地抽取资源受到关注和研究。以往对资源的抽取往往采用机器学习的方法,这类机器学习模型往往为浅层模型,特征的制定均围绕两个实体展开并且停留在词汇表层。然而对于资源抽取,需要以整个句子的语义信息为基础,所以获取整个句子和其上下文之间的深层语义特征十分关键。因此,本文提出利用深度学习模型中的双向长短时记忆网络(Bidirectional Long Short Term Memory,BLSTM)对资源进行抽取,该模型具有挖掘文本深层语义信息和利用句子上下文信息等特点,能够取得更好的实验结果。所以,本文利用BLSTM提出了一种资源实体与关系抽取算法,目的是抽取自由文本中的资源所包括的物质、属性、参数、量值四种实体以及四者之间的关系。该算法包括资源实体识别和资源关系抽取两项子任务。在资源实体识别中,由于属性和参数在句中语法位置相同,造成区分困难,所以先把属性实体和参数实体看成一个实体,称为属-参实体,利用BLSTM构建实体识别模型,并在模型中引入维特比算法完成对物质实体、属-参实体和量值实体的初步实体识别,再利用词典与规则相结合的方法对初步的识别结果进行校正。资源关系抽取首先通过BLSTM构建属-参实体和量值实体的关系分类模型来判断属-参实体和量值实体是否存在关系,接着利用词典与规则相结合的方法区分属性实体和参数实体,以及处理没有和属-参实体匹配的量值实体的问题。通过该算法最终形成<物质、属性、参数、量值>四元组,为填库奠定数据基础。最后,本文制定语料标注规范对收集的语料进行标注,形成资源语料库进行资源实体识别和资源关系抽取的实验,均取得了比较理想的水平。通过对比实验,也同样证明了BLSTM在实体识别和关系抽取任务上的优秀能力。