作为工业信息化的重要技术,用于知识图谱构建的信息抽取技术可以从海量原始资料中系统化地获取并结构化地拼接工业领域知识。但在实际应用时,信息抽取技术却会遇到诸多困难。一方面,工业领域资料获取困难,且专业资料由于保密性等难以获取,使得信息抽取的数据资料来源难以确定。另一方面,在对数据资料进行信息抽取时,由于其得到的三元组的质量直接决定了所构建的知识图谱的质量。所以,如何通过任务的融合同步地抽取三元组中的实体与关系是一个研究重点。针对这两个问题,本文在对现有算法的研究基础上,提出一种信息抽取框架,并对涉及算法提出针对性的改进方案,主要有以下研究内容:1)针对数据资料获取困难的问题,本文采用从开源资料库(如维基百科等)中获取相关资料的方式,通过LDA主题模型等文本挖掘算法对这些资料库中的海量数据进行处理,进而获取工业领域相关文本。本文从高频词与低频词两方面入手,通过改变其主题-词分布的方式提高LDA主题模型的文本分类效果。2)目前的信息抽取相关算法中,主要的研究目标为命名实体识别、关系抽取与实体关系联合抽取。其中,联合抽取的模型主要依靠两个子任务各自的模型研究进度。本文在两个子任务中分别研究了当前最受欢迎的算法模型,并在模型基础上做出了一定的改进。3)实体关系联合抽取是一个融合型任务,其关键点在于如何融合两个子任务间的相关性以获取更好的效果。本文在融合当前最好的命名实体识别与关系抽取模型的基础上,提出一种参数高度共享的实体关系联合抽取模型。实验表明,本文提出的实体关系联合抽取模型可以很好地实现对文本中的三元组进行抽取的效果。通过与其他模型的对比,验证了本文参数共享策略的有效性。另一方面,对本文提出的实体关系联合抽取模型的实验表明,本文所设计的从开放领域获取数据进而提取其中领域相关三元组的方式具有一定的效果,在工业信息化知识图谱构建中能起到良好的促进作用。