当今世界正处在一个信息爆炸的时期,从繁杂的信息中检索出需要的信息是困难的,也是必要的。由此,知识发现技术得到飞速发展,以知识图谱为基础的关联知识发现系统,通过利用实体及关系信息,能够挖掘出深层的关联信息。但是,由于网络信息具有噪声混杂、知识稀疏的特点,如何从海量信息中提取出有效信息,并转化为知识图谱中结构化知识,是目前研究的一个热点问题。通过对自然文本进行清理,筛选出缺少的知识,最后利用实体链接技术构建自然文本与知识图谱结构化知识之间的关系。目前,实体链接模型大多缺乏对文本噪音的处理与语义特征的准确表达,且忽视了知识图谱本身的丰富信息,导致实体链接的效果欠佳。为此,本文提出了基于注意力机制的局部实体链接模型以及信息融合的集体实体链接模型。本文的主要工作和贡献如下。针对传统模型在进行输入文本与知识库实体描述语义交互不充分,语义丢失严重,模型并不能完全学习到语义表示的问题,本文提出了基于多视角注意力机制的局部实体链接模型。通过提取实体提及内部语义特征,并与实体描述的特征进行交互,从而减少噪音并突出关键词。结合学习集体级别的自注意力特征,从而解决语义信息丢失的问题。通过实验表明,与传统方法相比,本文所提出的局部实体链接模型的效果有所提升,验证了模型的有效性。针对传统模型忽视知识图谱实体之间特征信息,无法有效建立实体节点联系、实现信息在节点间“流动”的问题,本文构建了多信息融合的集体实体链接模型,分析和提取候选实体间的丰富特征,充分刻画候选实体间的关联。通过实验表明,与基线模型相比,本文所提出的集体实体链接模型效果有所提升,验证了模型的有效性。最后,基于上述模型,构建电影领域的知识发现系统,实现用户查询、知识管理等基础功能,满足知识发现系统需求,验证了算法的可用性。该知识发现系统的构建可以发现电影相关的隐藏信息,具有极强的应用价值。