由谷歌公司于2012年提出知识图谱（Knowledge Graph）概念后,这种知识表示形式引起学术界与工业界的强烈关注,研究学者们将它视作未来的搜索引擎。高质量知识图谱的构建是一个动态发展的过程,需要及时补充新知识来完善知识图谱,并校验更新图谱中的时效性知识。补充新知识可以采用面向网络文本的信息抽取技术,校验更新图谱中的时效性知识可以使用有关的属性值验证技术。但是传统技术难以适用于大多数构建知识图谱的网络文本,导致构建高质量知识图谱仍然是一个难题。为了解决问题,本文研究了面向知识图谱的属性值抽取和属性值验证技术,主要研究工作如下:1、针对面向知识图谱的属性值抽取技术研究,本文提出了基于正则匹配度的属性值抽取技术,正则匹配度是指正则表达式与待提取属性值的文本匹配度,该研究技术能够从正则表达式集合中挑选出最适合用于某特定文本抽取属性值的正则表达式,进行精准抽取属性值信息。此外,对于“地名”或“机构名”类型属性值,提出了基于命名实体识别工具的属性值抽取技术,利用命名实体识别功能能够快捷地从文本种获取该类型属性值。通过对比实验分析,证实了本文提出的两项技术在属性值抽取工作中优于基于正则表达式集合抽取技术所取得的数据准确率。2、针对面向知识图谱的属性值验证技术研究,本文提出了基于混合人工验证的属性值验证模型,使用期望最大化算法挑选小部分特征丰富的数据进行人工准确验证。使用验证后的数据辅助训练高质量的真值评估器,最终提升模型对整体数据集的真实性验证的效果。对比实验结果表明,随着数据规模的增加,本文提出的验证技术要比已有的优质验证技术及其简化版本表现出更高的准确性,运行时间开销介于已有的优质验证技术和其简化版本之间。虽然研究技术相比于现有的高质量验证技术的简化版本运行时间稍有增加,但是由于研究技术比现有技术提升了验证准确率,所以时间代价的略微增长是可以接受的。3、基于本文研究的属性值抽取与验证技术,设计并实现了高质量知识图谱构建生成系统,并对系统的各个模块展开描述与测试。通过对搜索示例的界面展示,基本实现了系统设计的预期目标。