近年来,随着移动互联网的发展,大量用户可以方便地在互联网上发表自己的原创内容,大量内容以非结构化的文本形式存在。当用户要检索这些文本内容时,要花费时间从繁杂的检索结果中找到想要的结构化信息。为了方便用户更快速、更精确地获取结构化的信息,自动化的信息抽取方法成为满足这个需求的关键。信息抽取研究如何从一段非结构化的文本中抽取出若干结构化的信息,如三元组。三元组以<主实体,关系,客实体>的形式存储结构化信息,形成知识图谱,方便其他模块调用。传统的信息抽取方法如规则模板、机器学习等方法的特征工程复杂,建模、抽取效果并不理想。深度学习方法通过简单的特征工程建立输入到输出之间的映射关系,抽取效果更好。基于深度学习的信息抽取方法可以分为两类:一是流水线抽取,划分为两个独立的子任务,任务关联性弱,影响最终性能;二是联合抽取,两个子任务通过共享编码层建立关联关系,子任务模型共同训练,性能更好,但是子任务之间共享信息比较单一。两种方法都存在解码慢的问题。为了解决联合抽取方共享信息单一的问题,同时研究不同的子任务划分对模型性能的影响,本文设计了两个基于注意力机制的层次二分标注信息抽取模型:P-SO模型和SP-O模型,在共享编码的基础上,利用注意力机制融合两个子任务之间的流动信息,使得两个子任务关联性更强。本文设计的两个模型特征工程简单,没有利用任何自然语言处理工具,如分词、词性标注等,避免引入新误差的同时,在工程应用中还可以获得更快的推断解码速度。本文还设计了不同的实验,研究字不同向量、不同的循环神经网络对模型性能的影响。本文设计的信息抽取模型,在只利用字向量和位置向量的简单特征工程情况下,SP-O模型的F1分数达到0.801。为解决样本逐条推断解码速度慢的问题,本文设计了批处理推断解码方法,用GTX 1050Ti显卡在数据集上的推断解码速度达到359条/秒,对比逐条推断解码速度平均提升817%。信息抽取任务完成后,本文结合三元组知识图谱的应用场景,设计了基于知识图谱的问答系统,实现包括信息抽取、三元组管理和知识图谱问答、展示等功能,设计的问答流程巧妙地利用了SP-O模型中的SP子模型处理用户问题,避免文本相似度的复杂计算,可直接得到答案。最后设计实验验证问答流程的正确性、问答系统的稳定性和响应的及时性。