知识图谱是一种结构化的语义知识库,以符号形式描述物理世界中的概念及其相互关系,通过推理方式实现概念检索,并以图形化方式展示经过分类整理的结构化知识。近年来随着科技创新的发展,知识图谱作为一种智能、高效的知识组织方式被应用于各个领域。命名实体识别技术是构建知识图谱的关键环节,是指从文本数据集中自动识别出具有特定意义的实体信息。目前,命名实体识别技术多采用深度学习和统计方法相结合的混合模型,现阶段的技术方法对简单人名、地名、机构名等的识别效果上均已达到90%以上,但在中文语言环境下命名实体识别依然存在很多挑战。针对中文命名实体识别发展中的问题,本文提出基于双向LSTM结合层叠条件随机场(Bi-LSTM-CCRFs)的命名实体识别方法,该方法将双向LSTM网络(Bi-LSTM)和层叠条件随机场(CCRFs)相结合,不仅减少了人工参与,而且提高了复杂结构命名实体的识别效果。实体关系抽取是以命名实体识别为基础的更深层次研究内容,是指从文本数据集中自动抽取出实体间的关系。近年来,实体关系抽取逐渐由基于命名实体识别的流水线方法过渡到基于深度学习的联合抽取方法,现阶段主要有参数共享和标注策略两种联合抽取方法。本文提出基于标注策略的联合实体关系抽取方法,该方法通过中文序列标注策略实现实体关系的联合抽取,模型采用基于注意力机制的Bi-LSTM网络完成端到端的三元组关系抽取。为验证本文提出的两种方法的可行性,将算法理论应用于实践中,搭建了一个知识图谱构建系统,系统包括命名实体识别模块、实体关系抽取模块、知识检索展示模块和用户模型管理模块。其中,命名实体识别模块默认调用Bi-LSTMCCRFs命名实体识别模型,实体关系抽取模块默认调用联合实体关系抽取模型。知识检索模块为用户提供基于系统数据库的知识检索服务,并将检索结果以图形化的形式展示给用户。