移动通信和互联网技术的蓬勃发展使人类跨越式的步入信息时代。如何使用户便捷、高效、迅速地获取重要信息是亟待突破的前沿科学难题。通过关系抽取技术从无结构化的文本数据中获取知识,并存储在知识库中已成为一种趋势。从现有知识中推断出实体间缺失或者未知的关系的过程为知识库补全提供了新的支撑。本文利用深度学习技术对文本中的关系进行抽取,并对知识库中的关系进行推理,进而开发了一个基于众包模式的小型知识库系统。本文提出了一个使用多个预训练词向量的双通道关系抽取模型。在双通道模型中,一个通道是基于注意力机制的双向长短时记忆网络,另一个通道是卷积神经网络。此外,本文还设计了一个双通道融合方法。在Sem Eval-2010Task8数据集和KBP37数据集上分别获得了85.42%和62.2%的F1-score,实验结果表明双通道模型在未使用任何自然语言处理工具产生的语言特征的情况下表现优于现存的大多数模型。此外,本文提出的双通道融合方法较于现存的拼接或者相加方法有更好的表现。本文提出了一种新的基于路径推理的方法,该方法使用注意力机制将实体与其类型结合共同对路径中的实体进行表示,并使用注意力机制对每条路径预测的关系向量与给定关系的表示向量之差的绝对值进行汇总来计算模型的置信度。在基准数据集WN18RR和FB15k-237上进行实验,实验结果表明本文提出的方法比现有的基于路径推理的方法具有更好的性能。本文借助众包模式来搭建知识库,采取了前后端分离的方式进行设计,支持实体查询、增加、修改的功能。与常见的知识库系统相比,该知识库提供了众包功能。用户可以自主提交增加或修改实体信息的请求,在管理员审核通过后会合并到当前的数据库中。这种方式充分的利用用户提高了数据的实时性和可靠性。