知识图谱是一种重要的存储结构化数据的技术,它可以为多种信息化应用提供知识支持,例如推荐系统、问答系统等。知识图谱自动构建技术的研究在通用文本上开展的如火如荼,而在特定领域上则鲜有人问津。但对于医学、经济、军事等领域,专业的知识图谱是推动其领域信息化发展的关键因素。特定领域的标注文本往往是稀疏的,因此,本文立足于样本稀疏领域这一出发点,对知识图谱自动构建的问题展开研究。知识图谱中结构化知识的一个重要来源是非结构化文本。一般采用信息抽取技术可以从非结构化文本中提取结构化的数据,用于知识图谱的自动扩充。而关系知识获取,即关系抽取,是信息抽取技术的一个重要子任务。它根据文本的上下文描述,确定提及实体对之间的语义关系,从而形成结构化的三元组数据,用于构建知识图谱。本文研究侧重于样本稀疏领域的关系知识获取技术,并解决数据稀疏性、文本多样性、关系动态性以及数据含噪等问题。具体地,本文依次提出三个模型来解决不同设定下的稀疏样本下的关系知识获取问题。首先在稀疏含噪样本条件下,提出了互补卷积神经网络模型com-CNN,利用了监督学习的方法训练多分类器,对实体之间的语义关系进行预测。针对样本稀疏问题,设计了多重依存路径进行特征增强,并结合实体信息解决特征稀疏问题。针对样本含噪问题,通过多重依存路径进行词级降噪,并利用互补卷积神经网络捕获多重依存路径和原始单词序列的互补信息,此外,实体集成的注意力机制可以抑制错误标注实例的负面影响,进行实例级降噪。通过对稀疏性和含噪问题的解决,模型com-CNN可以更准确地为领域文本进行关系预测。不过,在该问题设定下,长尾关系不能很好地被分类,且仅涉及有限个关系类别,无法在预测时适应新关系。因此,进一步将关系抽取问题定义到少次学习框架下,抽取长尾关系类别。对于少次设定下的关系抽取方法,本文提出了少次关系分类模型BACK。在少次学习设定中,对于每个测试的新关系类别仅给定少量的标注数据,即支持数据,模型通过对支持数据的快速学习,获得对未标注数据的关系预测能力。对于少次关系分类模型,支持实例与查询之间的交互可以捕获二者之间的相似部分,进一步为关系类型的识别提供重要线索。此外,在向量空间中,相同类别的实例应该相互靠近,而不同类别的实例应该相互远离。因此,模型BACK通过双向注意力机制建模了支持实例和查询之间的交互,并加入边界距离损失监督实例向量在特征空间的分布,充分利用类别内和跨类别的潜在知识。与现有的方法相比,模型BACK在少次关系分类任务上获得了最好的效果。少次关系分类模型虽然对预测关系类别仅需要少量标注数据,但训练一个性能优异的少次关系分类模型依然需要一定量标注数据。因此,下一步的研究将远程监督与少次学习框架结合,利用自动生成的弱标注数据训练少次关系分类模型。远程监督可以通过将现有知识图谱与文本自动对齐的方式快速生成大量弱标注数据,但这样的训练数据存在错误标注的情况,也称为噪声数据。在以往的少次关系分类模型中,采样单个实例作为查询对模型进行训练。当利用远程监督数据训练时,一旦采样到错误标注实例作为查询时,会对模型的优化产生负面影响。因此,本部分的研究采用远程监督的至少一次假设,利用描述同一个实体对的全部实例,即实例袋,作为查询。基于这一设定,在原型网络基础上,提出了基于注意力的多实例学习方法AMProto对查询集和支持集两个层次上进行实例级去噪。该研究也是对远程监督和少次学习两种范式结合的初步探索,实验结果显示出该任务的可行性以及模型AMProto的优越性。总而言之,本文研究了在不同稀疏样本设定下的关系知识获取问题,依次提出了三个关系抽取模型。对于每一个模型,本文进行了充分的定量分析和定性分析实验,实验结果证明了模型的有效性和合理性。这些模型可以很好地获取领域关系知识,用于领域知识图谱构建,进而为领域信息化服务提供支持。