知识图谱是一种高度结构化的语义知识库,在语义检索、个性化推荐等领域有着广泛应用。三元组抽取作为知识图谱构建过程中至关重要的步骤,目的是从文本数据获取两个物理事实之间存在的客观联系。面向限定领域的三元组抽取方法需要预先定义所有实体和关系类型,使用机器学习或深度学习的方式在大规模数据集上训练分类模型。然而,在实际应用中实体和关系类型都会随着文本量的自然增长而增加,预先定义所有实体关系类型较为困难。对此,研究者们提出了开放型三元组抽取任务,尝试利用句型结构从句子中直接提取出三元组结果,使用句子上下文中某一具体词汇或短语来表示两个实体间的联系。依据方法类型,开放型三元组抽取可以区分为判别式方法和生成式方法。其中,判别式方法通过人工或迭代的方式提取模板,并使用模板对候选三元组进行匹配。然而,判别式三元组抽取方法存在泛化能力弱的问题,只能抽取已归纳出模板的句型结构。生成式方法将三元组看作是一个序列,以序列生成的方式实现三元组抽取。大多数生成式方法从语义理解的角度训练模型,然而句子中往往存在对句子理解没有帮助的语义信息,会对模型效果带来负面影响。同时,句子中的依存弧类型信息存在难以建模的问题,近年来研究者们对不同类型的依存弧进行了相同建模,忽略了依存弧类型信息。对此,本文的主要研究内容如下:（1）针对判别式方法泛化能力弱的问题,本文提出了基于图同构网络的判别式三元组抽取模型。首先,设计了图同构模块,用于提取句子中依存结构特征和部分语义特征,将模板和候选三元组的树结构转换为特征向量,实现模板匹配过程的可计算化。然后,构建了基于阈值判断的邻近算法,计算模板向量与候选向量之间的距离,进而判断候选三元组是否成立,使模型拥有更强的泛化能力。最后,本文使用该模型对大规模网络文本进行抽取,为生成式三元组抽取方法的研究提供高质量的数据集。在DuIE数据集上进行实验,该模型比CORE、UnCORE等基线模型在F1值上提高超过6%,证明了该模型具有较强的泛化能力。（2）针对生成式方法受部分无用词义影响和难以对依存弧类型建模的问题,本文提出了融合依存句法和指针生成网络的生成式三元组抽取模型。首先,根据词性结果对句子进行泛化处理,将句子中的专有名词替换为对应标签,去除无用词义的影响。然后,在词嵌入的过程中加入了词性信息,并使用键值记忆网络对句子依存结构中边的信息进行建模,帮助模型理解句子的结构特征。最后,利用指针生成网络迭代生成三元组结果,增加模型从输入中生成词汇的概率。在DuIE数据集和自制数据集上进行实验,该模型的精确率最高达到了79.76%,F1最高达到了67.52%,证明了该模型的有效性。（3）设计了一个知识图谱构建系统,实现自动化构建知识图谱的功能。通过爬虫定时获取大量网络数据,并将上述开放型三元组抽取工作应用到知识图谱自底向上的构建过程中,提供了知识图谱检索的功能。