近年来人物知识库和用户画像在智能搜索、智能问答、推荐系统等场景得到了广泛的应用,而人物属性信息是构建人物知识库和用户画像的核心内容。随着互联网的普及及其规模的增加,其承载的信息量的呈现爆炸式增长,使得从互联网中遴选获取人物属性数据变得越发困难。如何高效准确地在网络中获取人物特征和属性,成为信息挖掘领域的一个热点研究内容。结构化人物数据具有形式统一、内容可靠的特点,使得其成为最优质的数据源。由于网页的异质性和多源性,如何准确高效地从网页中提取结构化人物属性并进行分析融合成为一个必要的研究课题。本文在对现有的相关研究进行深入分析的基础上,提出了一种无监督的动态网页结构化属性提取框架和一种基于二部图和随机游走的无监督实体消解算法,从而实现了人物属性集构建中提取和融合这两个关键步骤,具体研究内容如下:（1）针对难以使用通用方法提取异质网页结构化信息的问题,本文设计了一种无监督的动态网页结构化属性提取框架,该框架分为网页处理、属性名学习、属性提取三个模块。设计了一种结构化区域发现算法来定位网页中的结构化信息,并且在提取中根据属性的语义相似度、出现频率和前后文命名实体识别信息不断学习和更新属性的置信度。同时依据若干DOM树模型和置信属性名来匹配生成属性对。实验表明该框架在SWDE数据集和人物数据集上都取得了良好的效果。并且该框架的没有属性和垂直领域限制,无需标记数据,具有良好的拓展性。（2）为了更加准确高效地进行人物属性融合,本文提出了一种基于二部图和随机游走的无监督实体消解算法。该算法基于图理论进行实体消解,无需标记数据。算法分为二部图迭代和随机游走两部分,首先根据记录的共有术语和差异术语构建有向二部图并迭代计算记录的相似度,接下来依据此相似度构建记录图,基于随机游走算法生成记录到达概率,从而解决阈值界定问题。上述两部分还会进行交替迭代,并在每次迭代不断调节差异术语的影响因子和游走步数,从而使算法逐步发现更多匹配对。实验表明该算法在标准ER数据集和人物数据集上超越了最新的同类方法。