“互联网+”的大力发展使得全球数据生产量大幅上涨,其中非结构化数据占到了数据总量的80%,成为了全球数据的主要构成部分。非结构化数据处理一直是自然语言处理领域研究的重点和难点。知识图谱的出现为大数据处理与应用提供了一套完整可行的解决方案,知识图谱构建中的信息抽取与融合作为基础任务受到了广泛的关注。本文面向非结构化数据,围绕知识图谱中的信息抽取与信息融合任务开展了一系列的研究。在信息抽取技术研究中提出了结合词性注意力机制的实体信息抽取模型——PALC（POStag-Attention-LSTM-CRF）,利用词性特征提高了信息抽取的准确性。为探索信息抽取与融合任务的关联性,继而提出了实体信息抽取与融合的PALC-DCA（POStag-Attention-LSTM-CRF-Dynamic Context Augmentation）联合学习模型,在PALC-DCA模型中加入反馈模块使得两个任务相互依赖,紧密结合,同时提高了任务的各项指标。本文的主要研究工作如下:（1）为了使实体信息抽取模型更好地学习单词的语义表达,本文提出了结合词性注意力机制的PALC模型。PALC模型利用词性标注工具Stanford Parser对所有非结构化数据进行词性标注,并采用了循环神经网络（Recurrent Neural Networks,RNN）学习句中单词的词性特征。RNN网络进行词性特征学习,为信息抽取模型提供了更加丰富的特征。并且词性特征可以表征单词在句中所属的类别和属性,在一定程度上辅助模型学习单词的语义表达,获得更为准确的语义特征,从而提高信息抽取的准确性。（2）针对信息抽取模型中的特征融合问题,本文提出了利用注意力机制与多层双向长短期记忆（Long-Short Term Memory,LSTM）网络的特征融合方式。首先利用LSTM网络获得单词的语义表达,再通过注意力机制获得句中不同词性与语义表达间的关系,进一步获得表达词性特征影响力的权重矩阵。权重矩阵与不同词性特征相乘相加再与其它特征拼接获得单词的向量表达,通过LSTM网络再次学习单词的语义特征,得到单词更为准确的语义表达。实验表明,该方法在CONLL03数据集上的准确率达到了90.65%,召回率达到了91.06%,F1分数达到了90.84%。（3）在信息抽取与信息融合联合学习研究中,本文提出了实体信息抽取与融合的PALC-DCA联合学习模型。PALC-DCA联合学习模型对信息抽取与信息融合数据集进行了统一化处理。通过对数据集联合使用方法的研究,建立了编码查询机制,提供了共享数据集方案,使得两个数据集可以在同一框架下进行使用。数据集共享方法为信息抽取与信息融合联合学习框架的实现提供了数据基础。（4）为了进一步将信息抽取与信息融合进行结合,本文提出了在联合学习模型中加入反馈模块。反馈模块通过卷积神经网络（Convolutional Neural Networks,CNN）学习第三方知识库中候选实体的描述信息,并且利用了实体信息融合模型中的局部分数,将描述信息与局部分数相乘。然后通过前馈网络最终得到信息抽取中实体类别标签对应的概率分布。将反馈模块中获取的概率分布与信息抽取模型的概率分布进行加权相加,最终利用实体信息抽取模型中的条件随机场（Conditional Random Field,CRF）层获得实体类别标签结果。实验表明,反馈模块的加入使得信息抽取的准确性提升,使得信息抽取在CONLL03数据集的准确率达到90.93%,召回率达到91.12%,F1分数达到91.02%。而联合学习使得信息融合在AIDA＿CONLL数据集的准确率达到了94.24%,召回率达到了94.14%,F1分数达到了94.18%。