产奶量是奶牛最重要的经济性状之一,探究影响产奶量的相关因素对于高产奶牛的培育有着重要意义,一直是科研人员的研究重点之一。目前,奶牛产奶量与相关影响因素的关联关系散落于海量的生物医学文献中,且还没有相应的较为系统的关联关系知识库。针对以上问题,本文基于文献挖掘技术,研究和构建了奶牛产奶量相关影响因素的知识图谱和可视化平台,为研究人员进一步研究奶牛产奶量与其相关影响因素的关联关系提供知识库支撑。具体工作如下:（1）构建奶牛产奶量相关影响因素数据集。以Pub Med生物医学文献库为原始数据来源,爬取与产奶量相关的文献摘要17635篇,采用半自动化的方式,利用生物医学领域工具对文献摘要进行命名实体识别和关系抽取,在领域专家的指导下,经过人工筛查核验,共得到产奶量、基因、物种、疾病、环境、化学物质等六类标签的相关实体32807个,实体间关系15686条,相关文献属性6万余条。（2）构建奶牛产奶量相关影响因素知识图谱。采用自底向上的知识图谱构建方式,以奶牛产奶量相关影响因素数据集为基础,进一步完成知识融合后得到＜实体1,关系,实体2＞的三元组7000余条、＜实体,属性,属性值＞的三元组6万余条,将这些三元组信息通过py2neo接口导入到Neo4j图数据库中,完成相关知识图谱的构建。（3）在构建奶牛产奶量相关影响因素数据集时,发现没有该垂直领域知识抽取工具,通用领域工具提取率较低、准确率较差等问题。针对这类问题,本文以奶牛产奶量相关影响因素数据集为数据支撑,构建了对应的实验数据集,并选取在生物医学领域表现较好的BERT-Bi LSTM-CRF模型进行命名实体识别实验,经过多轮迭代训练最终准确率达到了92.09%,并在此基础上通过不同实验进行对比分析,验证了BERT-Bi LSTM-CRF模型的有效性。同时,由于奶牛产奶量影响因素相关文献中存在着大量实体密度分布高、实体间关系交错互联的情况,构建了基于多通道自注意力机制（Multi-Channel Self-Attention,MCatt）的Bi LSTM-MCatt模型进行关系抽取实验,最终各类关系抽取的平均F1值为82.28%,并在此基础上与其他模型进行对比实验,验证了Bi LSTM-MCatt模型的有效性。命名实体识别和关系抽取的模型训练方便了后续知识图谱的不断扩充。（4）构建奶牛产奶量相关影响因素知识库平台。平台采用基于Web的前后端分离技术,包含了奶牛产奶量影响因素领域的实体查询、关系查询、知识图谱概览和实体识别及关系抽取的功能,可以帮助研究人员快速锁定相关知识,加快研究进程。