随着大数据时代的到来,网络空间的数据资源越来越丰富,其数据量已经远远超出了传统数据分析技术和信息系统的处理能力,寻求海量数据中的有效的信息已成为各领域的迫切需求。知识图谱以其语义网的本质,将客观世界存在的实体、关系、属性等概念以结构化知识的形式连接成庞大的网络,作为人类描述知识的重要载体,为大数据环境下的信息获取提供了便捷快速的解决方法。其中,人物实体作为信息交互的枢纽,往往在寻找目标知识的过程中起着十分关键的作用。因此,以人物实体为中心,构建人物关系知识图谱对于信息检索、情报分析、商业营销等领域都有着重要意义。然而,一方面网络信息的海量性和不规范性对信息的获取造成了极大的困难,另一方面互联网的开放多样性也给不同数据来源的知识整合和清理带来了挑战。本文从人物关系图谱构建中信息抽取和知识融合两个关键方面进行了研究。首先针对规模庞大的非结构化网络文本信息,采用关系抽取和属性抽取的信息抽取技术从中获取结构化的知识;然后针对互联网多源知识中存在的冗余和歧义问题,采用实体链接和人名消歧技术进行知识融合的相关处理。主要研究成果如下:（1）在关系抽取方面,针对大数据环境下标注数据难以获得且成本高昂的问题,提出了一个面向中文新闻语料采用远程监督技术自动生成弱标签训练数据的人物关系抽取模型。首先使用远程监督的思想通过对齐知识库与语料库中的文本来自动产生弱标签数据。其次,针对弱标签中的噪声数据,提出了基于TF-IDF的关系指示词过滤算法进行去噪处理。最后,分别以词语和句子为对象提取相关词法特征和句法特征,从而将训练语料文本映射为对应的多因子关系特征向量以进行关系分类器的训练。实验表明,本文提出的人物关系抽取模型性能表现超过了其他同类型的方法,并且展示了良好的扩展性,尤其不需要标注语料的特点使其具有重要的实用价值。（2）在属性抽取方面,以往的研究表明,文本中的属性特征表示的准确性将直接影响着属性抽取的结果。针对这一关键问题,从学习更具判别力的属性特征表示出发,提出了一个基于Siamese网络的人物实体属性抽取模型。该模型由两个子网络构成。首先,通过采用Siamese网络结构的双输入属性编码器,实现对目标句子和并列句子之间的相似性约束来学习得到更精确的属性向量。然后,属性预测器使用这些属性向量训练得到一个属性分类器以达到抽取属性信息的目的。实验结果表明,相较于传统的序列输入模型,成对输入使模型得以直观地进行特征比较,从而更准确地归纳和学习判别属性的相关特征,达到了当前目前属性抽取模型的最先进水平。（3）在实体链接方面,已有的研究中无论是人工设计特征的语义表征方法还是构建词向量模型的语义嵌入方法,都需要大量的人力和计算资源。针对该情况,本文提出了一个基于BERT消除语义歧义的深层实体链接模型。该模型首先通过微调BERT模型来获取实体指称项和实体在同一语义空间下的向量表示。并且根据真实数据情况,在训练过程中通过困难负样本挖掘策略来促使模型学习到更深层的语义信息而不仅仅关注字符串的相似性。然后,利用已有的公开信息生成实体指称项的候选实体列表。最后使用基于多层感知机的实体消歧网络从候选实体列表中选出实体指称项的对应实体。通过在知名的实体链接标准数据集Co NLL 2003和TAC 2010上进行实验,结果表明本模型实现了实体链接当前的最优结果。（4）在人名消歧方面,已有的研究方法大都采用人工设计特征来表征人名指称项,并且在聚类算法上往往需要根据训练数据预定义聚类个数。针对该不足,本文提出了一个基于非负矩阵分解的深度人名消歧模型。首先,通过triplet loss函数对预训练语言模型BERT进行调优,以得到人名指称项的语义表示向量。然后,提出了一个基于非负矩阵分解的聚类算法对学习得到的人名指称项进行聚类区分,以达到人名消歧的目的,该方法不需要事先定义聚类个数,相较现有的方法具有更大的实用价值。在标准竞赛数据集We PS-1、We PS-2上的结果证明了本模型的有效性,并明显优于其他相关模型。