知识图谱能够展示信息间的发展和联系,并对隐藏信息进行分析和挖掘,支持智能问答和高效信息检索等应用。制造业是工业的基础,数控技术是横贯现代制造业的关键技术,构建数控设备维护领域的知识图谱是迈向工业智能化坚实的一步。与百科图谱不同,构造面向数控设备维护领域的知识图谱存在着诸多问题,包括实体的多义性、存在复杂的非单一名词性实体类型以及图谱的稀疏性等问题。基于数控设备维护领域的数据特征以及对知识图谱构建的要求,对实体抽取、关系抽取和知识补全技术进行深入的研究。在实体抽取的研究中,提出了一种基于字向量的层叠神经网络。通过字向量模型得到文本融合位置特征的字向量信息,采用高低层网络线性叠加的模型完成数据的序列标注并对错误标注进行更正,通过条件随机场域解决标签依赖问题并对实体进行边界分割。在关系抽取的研究中,提出了一种基于触发词规则和句法依存分析的复合关系抽取模型。模型中构造了适用数控设备维护领域的触发词词典,提出了相应的触发词匹配算法提取关系。句法依存分析首先结合数据特点提取候选三元组和关系特征词,并添加了后处理模块增强模型的抽取性能。为弥补数控设备维护领域中存在的知识稀疏性问题,采用了基于路径查找的知识补全方法推理发现新的关系。该方法采用随机游走算法得到实体间的链接路径,通过游走概率来筛选候选路径。结合卷积神经网络和双向门控循环单元的层叠模型对路径序列进行编码,并引入注意力机制增强重要路径的正向作用,提高了链接预测的精度。实体抽取的实验表明,基于字向量的复合神经网络能够完成数控设备维护领域的实体识别和抽取,性能优于经典的融合随机场域的双向门控循环网络,F1值达到了84.24%;关系抽取模块的实验中,采用的复合抽取模式能够保证较高精度的关系抽取,精确度达到了78.57%;在对知识的补全实验中,基于路径查找的知识补全方法表现出了良好的推理性能,平均精度值达到了0.855。