大规模电商平台拥有海量的商品和与之相应的交易数据,针对这些数据的挖掘和分析,对于优化平台建设、增加产品销量、改进消费者购物体验等,都有着重要的研究价值。通常,研究人员通过抓包,分析商品页面产生的Http请求,寻找数据源,然后利用爬虫技术对其相应的数据进行抓取。当需要采集多个平台的商品数据时,由于平台的Http请求和接口参数各不相同,需要对每个平台进行抓包分析,进而导致投入的时间和精力会随着平台的个数成倍上升。如何快速采集不同平台的商品数据是一个挑战。同时,随着人工智能技术的快速发展,各种基于知识的智能应用层出不穷。知识图谱技术提供了一种从海量文本中抽取结构化知识的手段,被认为是机器理解语义,实现认知智能的基石。知识图谱将互联网中的信息表达成更接近人类认知世界的形式,提供了一种更好地组织、管理和理解互联网海量信息的能力,已经成为了各种基于知识服务的智能应用的基础设施。目前,已经有许多学者对特定领域知识图谱的构建与应用进行了探索。然而,已有的大多数研究主要侧重于构建方法的研究,而且领域知识图谱的构建往往需要结合其自身的特点进行。面对的领域不同,构建过程也不尽相同。基于上述问题,本文所做的工作主要如下:（1）设计并实现了一个面向大规模电商平台的商品信息采集系统。从电商平台中页面结构的共性、基本的交互流程、商品加载方式等几个方面进行分析,提出了一种面向不同电商平台的通用数据抓取策略。通过模拟浏览器操作的方法,结合Scrapy爬虫框架,可以快速实现对不同平台商品信息的采集。（2）商品知识图谱原型系统的构建。基于采集到的商品数据,结合电商平台的领域特征,详细的分析了面向大规模电商平台的商品知识图谱构建过程中,存在的优点与缺点。在此基础上,对商品知识图谱的构建方法进行了深入的研究。并且可以按照原型系统的构建方法,不断的进行规模上的扩充。（3）商品名称抽取算法的实现。提出了一种“停用词+规则”的方法,能够从不规范的商品名称字符串中提取出商品的名称。