方志不仅具有“励志、存史、资政”的功能,也是我国政治与经济发展必不可少的信息资源,但是目前图书馆、档案馆等机构对方志资源的利用仍停留在电子化和数字化初级阶段,大规模的方志资源呈现出线性结构松散的特点,无法提供高效的知识关联、聚合与共享服务。在这样的背景下,如何利用知识图谱开放的知识组织能力充分发掘方志资源的知识价值,是数字人文研究领域中兼具前景与挑战的研究方向之一。尽管构建通用知识图谱的相关技术已经逐渐趋于成熟,但是由于方志具有篇幅长短不一、时空跨度广、叙事分散、人物繁多、关系复杂等特点,当前中文方志知识图谱的构建与应用仍然存在缺乏标注语料的冷启动问题,而且在自动化、多任务误差传播累积、中文的特殊性、动态知识获取等方面也存在困难。针对以上种种挑战,研究并整合相关技术方法来构建中文方志知识图谱,不仅有助于推动方志的知识化建设,对于领域知识图谱的技术发展而言也具有重要意义。笔者以中文方志知识图谱的构建与应用为目的,重点研究冷启动下的中文知识抽取与表示,构建了基于多任务学习机制的KGMTP（Knowledge Graph Multi-Task Pipeline）模型,分为实体抽取、关系抽取和知识图谱可视化三个阶段,根据知识元素的组成特点分别选取对应的技术方法。在实体抽取阶段,对于数据规模较大、组成无明显规律的实体,构建适用于迁移学习的HNNEE模型,同时以传统的机器学习方法条件随机场作为基线对照,针对中文的特殊性和OOV问题,通过调整文本表示、序列标注和特征工程的策略不断优化模型,逐步提升实体抽取的质量;在关系抽取阶段,把关系抽取任务建模为句子级别的分类问题,采用远程监督的方法构建中文关系数据集,结合实体对的距离和上下文场景进行关系分类,引入候选实体对的类别信息来约束实体配对,同时降低计算的复杂度,关系分类的效果有所提升;最后,利用RDF对实体关系的抽取结果进行有效表示与存储,并设计、开发了一套基于方志大事记知识图谱的可视化检索系统。在实验过程中,主要有以下几点发现:相较于传统的词袋模型和词嵌入模型,预训练语言模型具有更强大的文本表示能力,能有效改善实体抽取的中文OOV问题和关系抽取的动态语义表达;条件随机场算法适用于实体抽取的全局最优概率求解,尤其能有效提升长实体的抽取效果;中文分词与实体抽取相辅相成,词性特征作为一种先验知识,与预训练语言模型相结合对中文实体抽取也具有一定的提升作用;由于子任务之间存在信息交互,实体抽取的质量会直接影响到关系抽取,在关系分类时融合实体对的类别特征能有效提高关系抽取的效果。总体而言,本文的KGMTP模型利用迁移学习和远程监督初步解决了因缺乏标注样本且人工标注费时费力所导致的冷启动问题,成功构建了面向中文方志大事记文本的知识图谱,并在一定范围内投入开发应用。笔者希望本文的模型、方法与结论可以扩展应用到更大规模、更广范围、更多类型的方志资源中,也为缺乏数据标注的领域知识图谱构建提供参考。