信息抽取作为在海量数据中,快速有效的寻找有价值信息的重要手段,是自然语言处理领域的热点课题。国外在上世纪末开始了相关方面的研究,发展到现在已经取得了很多成果。由于中文信息自身的特点,目前的研究还处在探索阶段。现有的中文抽取方法基本上是基于统计的抽取方法,单纯的统计方法缺少对抽取信息语义的分析和使用,由于缺乏语义信息支持,使得在抽取信息点时失去了词与词之间的内在的语义联系,只是单纯依靠语法匹配来完成信息的抽取,这造成了抽取的准确率下降,抽取的信息质量不高。为了解决由于语义缺失造成的种种不足,本文利用语义角色分析和《知网》的语义资源,在前人研究的基础上提出并实现了一个基于语义信息的多领域抽取模型系统。本文提出的抽取模型以语义角色和概念图为基础,通过对待抽取语句进行语义角色标注后,再进行预处理,过滤掉虚词和叹词,为后面的处理减少不必要的计算,按照本文提出的算法,将句子的意思按照概念图的形式表示出来。然后将生成的概念图通过与图库中的领域概念图进行相似度计算,以此来判别信息的领域所属。抽取模板方面我们采用了分类自动生成的方法,其主要思想原型来自于Bootstrapping。抽取规则获取方面,我们将语义信息和抽取规则结合,通过使用语义角色获取抽取规则,以提高抽取的准确率。最后按照抽取规则匹配完成信息的抽取。其中领域场景的划分,模板的生成以及抽取规则的获取是本文研究的重点内容。文章的最后给出了系统的评测结果。纵向比较中,我们对同一领域的信息按照不同的方法进行了实验抽取,做了比对。此外,横向比较方面,我们针对领域场景的判别,以及跨领域抽取做了详细的实验检测,其中跨领域抽取实验中,亦采用了不同的抽取技术并做了详细的比对,实验结果表明,本文所提出的抽取方法是可行有效的,提高了信息抽取系统的准确率和召回率。