知识库可用于描述现实世界中的实体、概念、属性以及它们之间的关系,通常以图关系网络的形式进行构建。随着互联网信息时代的兴起,知识库已经在智能搜索、智能问答以及个性化推荐等领域发挥了重要作用,也成为了各大企业与研究机构的热门研究话题。早期的知识库完全由领域专家人工构建,这种方式已经无法适应大数据时代不断涌现的需求。然而,由于任务的多样性,自然语言的复杂性以及数据的差异性,基于信息抽取技术的知识库构建方法性能受限于高质量标注数据的获取,在标注资源匮乏或数据噪声较大的领域仍难以应用。因此,如何从标注资源匮乏的非结构化文本中快速构建知识库成为了一个亟需解决的研究课题。针对上述问题,本文着手于知识库构建中的三个关键技术,即命名实体识别、实体关系抽取和知识库表示学习,旨在研究如何从资源匮乏的非结构化文本中快速构建大规模应用知识库。具体而言,本文的研究工作主要分为以下三个部分:对于命名实体识别子任务,本文提出了基于主动学习和自训练的弱监督实体识别方法。该方法将多标准的主动学习采样策略与自训练方式有效结合,降低了人工标注数据工作量。同时,该方法利用预训练语言模型强大的表征能力,允许模型在完全无监督数据的情况下进行冷启动训练,进一步降低了对标注数据的依赖。对于实体关系抽取子任务,本文提出了结合空洞卷积和软实体类型约束的关系抽取方法。该方法利用空洞卷积网络作为文本编码器,在捕获长距离依赖关系的同时保持高效的运算效率。同时,该方法还以多任务学习的方式将实体类型约束引入到注意力机制中,通过显式考虑外部知识中的噪声学习到更加准确的注意力权重。对于知识库表示学习子任务,本文提出了基于图卷积和层次关系嵌入的知识库表示学习方法。该方法设计了基于图卷积网络的知识库表示学习架构,充分利用三元组之间的依赖关系同时编码实体向量和关系向量。此外,该方法还提出了全局关系嵌入与局部关系嵌入相结合的方式,利用局部关系嵌入学习到的边结构信息进一步引导实体和关系的表示学习。在多个公开数据集上的大量实验表明,本文针对上述知识库构建中的三个关键技术所做的研究工作能够有效降低对标注数据的依赖,提高对噪声数据的鲁棒性,并获得更加准确的表示学习结果,进而有效提升基于非结构化文本的知识库的快速构建与应用落地。