随着电子商务在全球市场不断进行开拓,其中商品知识图谱承担了重要的角色,被广泛应用于平台治理、品牌运营、前端导购等核心业务。由于电商领域存在商品类型繁多、属性体系庞大等特性,商品知识图谱与通用知识图谱存在一定的差异。因此,本文主要研究基于商品属性的商品图谱构建,以及不同语言的商品图谱进行对齐与融合。基于属性的商品图谱主要描述了商品的属性及属性值信息。早期的研究工作采用基于规则的方法,由专家设计领域相关的词汇表来提取商品的属性信息,或者将属性值提取任务视为一种特殊的命名实体识别,但都无法应用于属性体系庞大的真实电商环境。因此,本文的第一个研究工作提出基于属性增强的属性值抽取模型,不仅将属性视作标签类型,同时建模其语义信息,从而能够处理上万级别的属性,甚至是模型从未见过的新属性。同时,本文构建了真实的大规模英文商品数据集,并基于此构建了英文商品知识图谱。电商全球化的版图中包含了很多小语种,这些小语种由于使用人数少、商品数量有限等原因,缺乏相应的标注数据来训练有效的属性值抽取模型,难以构建低资源语言商品图谱。因此,本文的第二个研究工作提出对抗多任务学习模型,利用高资源语言丰富的标注数据来帮助低资源语言模型的训练。模型将高资源语言视为辅助任务,低资源语言视为主任务,采用两个独立的神经网络分别捕获语言相关特征,同时引入对抗学习来提取语言无关的特征。本文在三种低资源语言数据集上进行实验,结果表明本文提出的模型能够有效提升低资源语言属性值抽取的性能,消融实验也证明了多任务学习和对抗学习的有效性。由于商品数据的多样性,不同语言的商品图谱既有交集,也有差异。若能将不同语言的图谱进行对齐与整合,就能极大丰富各图谱的商品信息。因此,本文的第三个研究工作提出属性信息强化的实体对齐模型,根据属性和属性值所承载信息量的不同,分别从属性层面和属性值层面进行不同粒度的信息融合,然后利用图神经网络得到每个商品实体的嵌入,从而计算出与之对齐的商品实体。在前两个工作得到的多语言商品图谱上进行实验,结果表明本文模型能够有效建模商品图谱,实体对齐性能优于所有的基准系统。同时,本文进行了消融实验验证了模型结构的合理性与有效性。本文研究了商品知识图谱领域的几个热门话题,包括高资源语言和低资源语言商品图谱的构建,以及不同语言的图谱进行对齐,并在真实的商品数据集上验证了模型的有效性,促进了商品知识图谱的应用与发展。