随着信息时代的来临以及互联网技术的快速发展和大量普及,互联网已经成为大多数人日常生活中不可或缺的一部分。在互联网上,存在着大量的描述某一个主体的非结构化文本,面对这样庞大的网页数据,如何帮助人们快速地从这些海量的非结构化文本中获取相对应的信息,理解信息的内容,就显得越来越重要。那么信息抽取技术的研究正是为了解决这个问题。因此,实体属性抽取(槽填充)技术等到了学术界和工业界的广泛关注,目前也是一个非常热门的课题。本论文针对面向非结构化文本的实体属性抽取关键技术展开研究,研究内容有:首先,对于有监督实体属性抽取方法,针对过去采用规则的方法造成的抽取性能不高、召回率低以及难以推广到大规模文本的问题,提出基于双向LSTM(Long Short-Term Memory)加CRF(Conditional Random Field)的实体属性抽取方法,该方法不依赖于规则和特征工程,利用双向LSTM(Long Short-Term Memory)从原始文本中自动地学习语句的语义表示,通过对有标注训练数据的学习,获得了属性的语义表示和上下文关系,然后利用CRF(Conditional Random Field)对属性进行一个分类,将文本中每一个短语或者词汇分类到它应属于的标签(比如:出生日期、职业等)。实验结果表明,与基线系统相比,该方法在实体属性抽取(槽填充)任务上有很大的提升,而且可以应用于大规模的文本。其次,相比于有监督的学习方法,要想获得性能很好的模型,必须要有大量的人工标注数据。但是,有时候人工标注很困难,标注成本很高,就无法获得大量的人工标注数据。为了减轻人工标注的负担,我们采用主动学习(Active Learning)的方式来训练模型,减少了训练模型需要的人工标注数据,大量减少了标注成本。最后,实体属性抽取是构建知识图谱的一个重要技术,我们在对非结构化文本进行属性抽取之后,获得了大量的实体信息,就可以以此来构建知识图谱。目前,本文采取上述技术,与大百科全书合作构建了一个百科知识图谱,实现了一个可视化的网站,现在已经上线。