知识图谱是一种使用图结构数据模型集成数据的知识库。它将现实世界中无结构化的数据转换为了三元组结构化的知识,这种可解释的结构化语义知识是构建智能机器的重要因素,同时也是人工智能应用发展的基础数据资源。虽然现有许多知识图谱已具有千万甚至十亿级别的三元组,但其仍然存在很大程度的不完整问题,从而严重影响了相关应用的性能。作为提升知识图谱完整性的重要手段,知识获取受到了研究人员的广泛关注,并已发展成为知识图谱领域的重点研究方向之一。知识获取旨在从数据源中获取三元组。当前数据源主要有两类:一类是蕴含着海量信息的自然语言文本;另一类是包含着大量隐含信息的知识图谱。根据这两类数据源,知识获取通常包含以下三个关键技术:面向知识图谱的实体链接、面向知识图谱的关系抽取和面向知识图谱的知识推理。其中,第一个技术旨在从文本中找出实体。第二个技术旨在识别出文本中实体之间的关系,并构成三元组。第三个技术旨在根据知识图谱中已知的三元组挖掘出隐含的三元组。虽然国内外研究人员已经在知识获取研究上取得了一定的成果,然而现有研究成果在知识图谱自身特征的利用,以及模型的设计方面仍然存在很多不足。因此,本文针对现有研究成果的不足,深入研究了知识获取的三个关键技术,并取得了以下研究成果:(1)针对面向知识图谱的实体链接,提出了一种结合共同注意力机制与图卷积神经网络的实体链接方法。现有基于神经网络的实体链接方法忽略了序列性实体指称项上下文与图结构化实体上下文的语义鸿沟,从而影响了实体链接的准确率。观察发现,实体指称项上下文中单词的重要性是不同的,实体上下文中内容的重要性也是不同的。为了解决上述问题,本文提出了一种结合共同注意力机制与图卷积神经网络的实体链接方法。该方法采用共同注意力机制建立实体指称项上下文与实体上下文之间的相关性,以缩小两者之间的语义鸿沟,并对两者中的重要内容进行同时建模。在此基础上,提出了一种上下文感知图卷积神经网络(Context-AwareGraphConvolutionalNetwork)用于学习实体上下文的图拓扑结构特征。在五个公开数据集上的实验结果表明,所提方法的准确率、召回率和F1值均高于对比方法。(2)针对面向知识图谱的关系抽取,提出了一种基于编码器-解码器框架的远程监督关系抽取方法。现有远程监督关系抽取方法往往忽略了实体对可能具有多个关系的事实,从而严重影响了关系抽取的准确率。观察发现,实体对具有的多个关系之间往往具有依赖性。为了解决上述问题,本文提出了一种基于编码器-解码器框架的远程监督关系抽取方法。该方法在编码器端采用卷积神经网络提取给定实体对对应的句子包特征,在解码器端采用长短期记忆网络预测给定实体对的关系,并以条件概率的方式对关系之间的依赖进行建模。另外,将注意力机制引入框架,以突出尚未预测出的关系对应的句子特征。针对编码器-解码器框架直接用于关系抽取时无法训练的问题,提出了一种称为信息量的度量方法。该方法对训练句子包对应的每个关系的信息进行量化,并根据信息量的降序确定关系的训练顺序。在被广泛应用的公开数据集上的实验结果表明,所提方法在准确率和召回率上的结果均优于对比方法。(3)针对面向知识图谱的知识推理,提出了一种基于卷积神经网络的路径增强的知识推理方法。现有基于卷积神经网络的知识推理方法忽略了实体之间的路径信息,从而严重影响了知识推理的准确率。观察发现,从局部和全局角度分别来看,每个路径对关系的重要性是不同的。为了解决上述问题,本文提出了一种基于卷积神经网络的路径增强的知识推理方法。该方法在知识推理过程中引入了路径信息,并考虑了路径的局部和全局重要性。为了计算路径局部重要性,提出了一种基于注意力机制的方法。为了计算路径全局重要性,设计了一种度引导的逆路径频率指数(Degree-guidedInversePathFrequency)。在四个公开数据集上的实验结果表明,所提方法在两个常用评测任务,即链接预测和三元组分类上的表现优于对比方法。