随着人工智能以及互联网技术的高速发展,教育行业正在经历着前所未有的改革和创新,在各类的教育信息系统中已经积累了大量的教育数据。知识图谱用图结构来描述知识,通过构建知识图谱把教育领域各个分散的教育数据进行整合建立起概念实体及教学资源之间的关联关系。基于教育知识图谱能够为教育带来众多智能化应用,从而帮助教师实现精准教学,帮助学生实现自适应学习,有望实现真正的“因材施教”。教育领域的知识图谱,也称为“概念图谱”。教育中的概念实体可以定义为教育数据（教材、教辅资料、教学视频字幕及试卷等等）中的k-gram,它应该是语义和句法上正确的短语且能够代表相关学科的知识概念,如:数学中的三角函数、一元一次方程等。概念实体间同时存在多种关系,最常见的是概念实体之间的先后序学习关系、依赖关系等。教育知识图谱的构建主要涉及概念实体的抽取以及实体间关系的判别。如何通过自然语言处理等机器学习技术进行教育知识图谱的构建是当今智能教育研究中的热点和难点之一。本文的研究内容与贡献概括如下:针对概念实体抽取问题,本文结合教育数据的特点,利用领域内结构化的信息提出了概念实体抽取模型。该模型基于注意力机制融合全局的主题信息以及局部的线索词信息引导模型对概念实体进行高效地抽取。此外,为了更好地利用局部的线索词信息,针对线索词种类繁多,难以搜集完备的线索词且不具有泛化性的问题,本文预训练一个软匹配模块以提高线索词的泛化能力。本文在三个数据集上进行了丰富的实验,证明了概念实体抽取模型的高效性和有效性。特别是在标注数据量较少的情况下,抽取效果大幅领先基线模型,极大地减少了对标注数据量的依赖。针对实体间关系抽取问题,本文重点研究概念实体间的两种关系:先后序学习关系和依存关系。在概念实体识别的基础上结合外部知识库（百度百科）提出了判别概念实体间关系的基本特征,然后利用机器学习算法实现实体间关系的高效判别。在真实数据集上的相关实验结果证明了所构建特征的有效性及分类模型的可靠性。