随着互联网技术的快速发展和普及,不同格式的数据不断涌现,包括文本、图像、视频以及音频等数据,其中文本类型的数据占据主导地位,因此如何从海量的数据中挖掘出有价值的信息和知识,一直是人工智能领域的研究热点。知识图谱的提出给信息挖掘提供了知识建模的方法,但是由于知识图谱的数据来源不全面以及知识获取的遗漏等原因导致现有的知识图谱大多是不完备的。在这样大的背景环境下,知识图谱的构建和补全任务是信息挖掘领域一个重要的研究方向。论文为了充分挖掘已有知识图谱以及文本中的信息,首次提出隐关系的概念,从而最终实现构建和补全知识图谱的目的。另一方面,随着深度学习技术的不断发展和成熟,在自然语言处理领域也得到了广泛的应用并取得了优异的效果,因此论文主要研究了基于深度学习的隐关系发现算法。论文主要包括以下两个方面的工作:(1)发现已有知识图谱中存在的隐关系。对已有的知识图谱,论文通过引入外部的实体描述信息,使用完全注意力机制,将实体的结构表示和文本表示进行有效的融合,并对模型的损失函数进行改进,从而提升实体和关系的表示,基于翻译的思想可以挖掘知识图谱中的隐关系。通过知识图谱补全的两个经典任务实体预测和关系分类对模型进行实验验证,与原模型相比,取得了较好的实验结果。(2)从文本中抽取出隐关系。论文提出了一种新的联合抽取的方法,既避免了传统流水线方法出现的误差累积现象,同时考虑到文本中会有实体重复或者实体之间具有多种关系的情况,使用了一种新的序列标注方法。最后通过实验验证模型在实体识别和关系识别两个子任务中的效果,其中在数据集NYT上关系识别的精准率,召回率和F1值分别是80.45%,77.09%和78.74%,效果得到显著的提升。