槽填充(Slot Filling)旨在从大规模语料中抽取目标实体的属性信息。该研究包含两方面关键任务:1)源信息(相关文档)获取,其任务是根据目标实体及给定的参考文档从大规模语料中检索相关文档,这类文档不仅是潜在包含目标实体属性的文字载体,也提供了重要的上下文信息,因此被认定为属性抽取的源信息;2)属性抽取与检验,其任务是从相关文档中抽取目标实体的候选属性值,并对候选值的确切性进行检验,从而形成可靠的结果予以输出。本文针对上述两项任务一并开展研究,将语义信息与实体关联性信息共同应用于源信息获取,并尝试独立应用于属性抽取环节,形成了一套集检索和抽取技术的槽填充模型。总体上,本文研究内容包括如下三项:1)基于实体监督和主题模型的文档检索方法:本文基于检索框架构建源信息获取模型,侧重解决命名实体歧义性造成的相关文档获取的误差问题。本文提出一种联合了主题语义和实体群落的检索方法,并利用伪相关反馈实现了实体查询表示的重构。在检索过程中,本文利用神经网络模型将主题语义和实体群落特征联合应用于的相关度的计算环节。实验表明,该方法有效地提升文件检索的性能(F1值提升了6.4%)。2)基于注意力机制的卷积神经网络实体关系分类:本文针对相关文档内的句子进行逐条处理,旨在利用分类模型识别其中特定属性的候选值。然而,待分类语句往往存在多种语义关系,误导目标实体与候选属性值的语义关系分类。针对这一问题,本文提出一种基于注意力机制的卷积神经网络实体关系分类模型,利用注意力机制,将紧密相关于目标实体的语义信息给与更高的关注度,借以优化上述关系分类模型。实验表明,该方法获得比目前实体关系分类模型更好的性能(F1值提升了2.94%)。3)基于实体群落的无监督实体属性过滤方法:借助关系分类策略进行目标实体属性的识别,有助于发现属性值的多种文字表示形式,但其中往往包含冗余和错误的属性,现有研究已尝试借助置信度估计进行冗余与错误属性值的过滤,但性能尚存在较大缺口。针对该问题,本文提出基于实体群落的无监督实体属性过滤方法。利用层次聚类生成多个实体属性值群落,然后利用实体图模型挖掘与目标实体相关的群落,以实体群落为依据,过滤错误的实体属性值。实验表明,该方法能够有效提升槽填充系统的性能(F1值提升了6.8%)。