知识图谱本质上是一种高效率、可解释的知识组织方式,通过多个知识单元之间的关系迁移,可以反映出更多事实知识。一些传统的知识组织方式如分类法、主题词表等尚未深入到知识的语义层面,难以表现出知识单元之间的多种关联,而知识图谱的出现恰好解决了这一问题。如今,知识图谱技术作为一种用于描述客观世界中概念、实例及其关系的新方法,得到了人们的广泛关注,合理利用知识图谱可以有效拓展知识探索的深度和广度。那么,如何低成本构建领域性的知识图谱是当前亟需解决的问题。知识图谱的有效构建主要涉及实体和实体关系两个要素,在更多的细分领域场景下,制约目前已有的实体识别、实体关系识别技术泛化应用的主要原因是缺乏可靠的标注语料。相应地,以细分领域已有的小规模知识库作为指导,充分对其中的语义信息进行合理提取和利用,能够在一定程度上帮助领域知识图谱的自动构建。本文以“心血管疾病”领域为例,从构建细分领域知识图谱的两个关键要素入手并开展探索,即细分领域实体识别和细分领域实体关系识别。在实体识别实验中,利用已有的领域知识（百科、词表）辅助小规模领域语料标注,降低人力成本,并使用RNN、LSTM、LSTM-CRF、Bi LSTM-CRF这几种神经网络模型和BERT预训练模型分别进行序列标注模型训练,最终取得较好的实体自动识别效果。Bi LSTM-CRF模型的F1值达85%以上,BERT预训练模型的在微调后识别结果的F1可达88.35%,“器官”和“诊断方式”这两类实体的识别准确率超过90%;在关系识别实验中,提出一种融合领域元知识（即关系约束）和词嵌入向量类比的方案,根据已有的小规模知识库制定出特定细分领域的实体关系约束条件,依靠相应领域背景语料计算出领域实体的词嵌入向量,对知识库中少量易获取的实体关系进行词嵌入类比学习,生成不同类型实体关系的初始分类器。并对分类器在模拟现实场景下的表现效果进行测试,再使用主动学习的方法修正分类器在表现较为薄弱的关系层上的效果,实验结果表明通过主动学习能够有效提升初始训练器的识别效果。