社会的快速发展推动了养猪行业的进步,但是生猪的活动范围较大,活动频率较高,进而导致生猪疾病的发病率和传染性较高。通过降低养殖环境的管控难度,可以有效降低生猪的死亡率,降低养殖户的经济损失。为了有效利用猪病专业的领域知识,本文对猪病领域知识图谱构建展开研究,抽取相关文献和网页数据中所蕴含的猪病知识,构建猪病知识库,为猪病的预防和治疗提供基础知识支撑。运用命名实体识别技术对非结构化数据源进行实体抽取,对结构化数据运用网页爬虫等方法,是构建本文猪病知识图谱的核心内容。本文针对领域知识图谱实体抽取和图谱构建,设计了实体抽取方法,主要研究结果包括:（1）针对猪病特定领域数据,本文对结构化数据和非结构化数据进行不同的方法处理,通过爬虫技术获取网上的结构化数据,结构化数据使用jieba分词进行预处理,从而对数据进行筛选,非结构化数据先用TF-IDF将数据进行关键词提取,使用BIO标注法为实体抽取提供数据语料库的基础,最后将所有数据通过知识融合等手段进行有效整合,为猪病实体抽取实验和知识图谱构建提供数据支持。（2）针对传统命名识别容易受上下文相对距离的影响、实体整体识别效果差的问题,本文设计了一种基于ALBERT-BiGRU-CRF的模型,该模型是将ALBERT与BiGRU,CRF结合用来实体抽取,首先基于ALBERT结构构建了新的实体抽取理论模型,然后对公开的人民日报语料库数据集进行数据处理和实体抽取实验,将提出的实体抽取模型与其他传统的机器学习模型进行实验对比,实验结果从条形统计图和表格各项评价指标上表明,在综合评价指标方面的提升度高于3.6%,验证此模型效果最佳,并在非结构化猪病数据中取得了有效的识别效果,猪病实体抽取结果也为猪病知识图谱的构建提高准确率。（3）集成以上研究中猪病结构化数据和非结构化数据,形成猪病数据部分知识库,并将提出的ALBERT-BiGRU-CRF模型实体抽取结果应用在知识图谱构建中,最后基于Neo4j构建了较高准确率的猪病知识图谱,在Neo4j中使用Py2neo进行知识图谱的构建工作,通过Cypher语句实现了猪病实体关系的知识存储,形成了可视化展示与管理界面。