近年来，知识抽取任务逐渐成为了自然语言处理领域的一个热点问题。现
有的知识抽取算法主要是基于统计机器学习方法，其特点是严重依赖于训练语
料。由于手动标注知识抽取数据的成本太高，目前暂时没有公开的大数量级的
中文知识抽取数据集，这导致面向中文的知识抽取算法研究缺乏合理的验证数
据集，阻碍相关领域的发展。
针对上述问题，本文面向关系抽取、三元组抽取等中文知识抽取任务，通
过人-机结合的方式，围绕语料获取、过滤和人工筛选等步骤展开研究，实现
构建高质量、大规模的中文知识抽取语料库的目标。主要内容包括以下三点：
(1) 提出了一种基于远监督的语料库构建方法。本文基于回标的思想利用三元
组匹配句子，如果句子中包含三元组中的实体对，则认为该句子能抽取出
对应三元组，并标注为句子-三元组对存储在语料库中。为了自动获取大量
的句子-三元组对，本文首先设计爬虫爬取在线百科知识库和部分娱乐性
网站的页面信息，解析页面中的半结构化信息和非结构化文本后分别构成
了三元组库和生语料库。然后，本文设计了基于SVM的不完整句子过滤模
型，提取了信息增益、TF-IDF值、词性和句法规则等特征，筛选出句法结
构完整的句子。最后，本文基于远监督回标的思想利用三元组库回标生语
料库，初步构建了句子-三元组语料库。
(2) 提出了一种基于端对端神经网络的语料库过滤方法。基于远监督的回标方
法虽然克服了有监督方法需要人工标注数据的不足，但其假设并不完善，
实体对在句子中出现的语义关系未必与对应三元组中的关系匹配。仅通过
上述回标方式构建的句子-三元组对语料库引入了大量噪声样本，这会严重
影响抽取算法的性能。针对这个问题，本文将该匹配判定问题转化为一个
二分类问题，提出了一种基于端对端记忆网络的分类模型，将句子的有效
信息存储于记忆组件中，三元组从记忆组件中挑选出与匹配判定相关的记
忆后进行分类，从而筛选出正确的句子-三元组对。实验结果表明，与传统
机器学习方法相比，该模型的分类效果更好，同时实验中针对不同关系的
句子- 三元组对特点进行了分析。
(3) 搭建了一个面向中文知识抽取语料库的人工筛选平台。语料库的质量直接
影响后续抽取模型的性能，而通过算法自动生成的句子-三元组对语料库无
法达到高准确率的要求。因此本文基于B/S和SSM框架搭建了一个面向中
文知识抽取语料库的人工筛选平台，方便对回标、过滤后的句子-三元组对
进行最后的人工确认，以保证句子-三元组对语料库的高质量。该平台主要
包括了确认、修改和删除三种功能，用户可利用这三种功能对句子-三元组
对进行筛选和修改。此外，该平台支持多人同时在线进行句子-三元组对的
匹配确认工作，提高了人工筛选的工作效率。