随着互联网的快速发展,网络数据量呈爆炸式增长。如何对海量数据中的知识进行组织和表达,以更好地对知识进行分析和应用,逐渐成为学术界和工业界所关注的热点。知识图谱由<头实体,关系,尾实体>形式的三元组构成,能够将海量数据中的知识以图的方式进行组织,从而为智能服务的实现提供支持。然而相比于现实中的海量数据和知识,知识图谱仍是十分稀疏和不完备的。因此,如何从外部数据源获取三元组以扩充知识图谱,是当前亟待解决的一个关键问题。通过关系抽取和实体对齐能够从不同外部数据源中获取三元组。关系抽取从文本中获取给定头尾实体间的关系,进而获得三元组;实体对齐能够在不同图谱中发现指向真实世界中同一事物的实体,之后可从外部图谱中获得三元组。现有的关系抽取和实体对齐算法,多为监督场景下提出,而实际场景中并没有充足标签信息,更多是半监督场景。此外,半监督的方法中,Bootstrap类的迭代式方法在少量种子的情形较为适用,但若前面轮次出现错误,后面的轮次会将错误放大。强化学习对于状态-动作的探索过程,可用于迭代中对于种子是否扩充的探索,从而减少错误在后面轮次的扩展。本文设计并实现了半监督场景下,结合强化学习的关系抽取和实体对齐算法。针对半监督场景下的关系抽取,本文提出了结合强化学习的基于Bootstrap的关系抽取算法。在该算法中,为提高文本的表示质量,提出了基于自动编码器的半监督场景下的文本表示方法;为了防止语义漂移,提出了 Bootstrap框架下的策略梯度方法。在真实数据集进行实验测试的结果表明,本文提出的关系抽取算法与现有工作相比,显著提高了 F1等指标,验证了所提算法的优越性。针对半监督场景下的实体对齐,本文提出了结合强化学习的基于迭代式的实体对齐算法。在该算法中,为提高图谱的表示质量,提出了基于图神经网络的半监督场景下的联合映射方法;为防止错误传播,提出了迭代式框架下的策略梯度方法。在真实数据集进行实验测试的结果表明,本文提出的实体对齐算法与现有工作相比,显著提高了Hits@k等指标,验证了所提算法的优越性。