近年来,人物知识图谱在智能问答、人物关系分析、搜索引擎等场景得到了极大的应用,覆盖了金融、互联网、医疗、政务等领域。结构化数据诸如维基百科、百度百科及其他行业数据库是构建人物知识图谱的优选数据源。然而与结构化数据相比,互联网还存储了更多的非结构数据源,同样包含丰富的人物属性信息。如何从非结构化数据源中准确提取人物信息用于构建人物知识图谱是当前人物知识图谱构建领域的热点研究问题。为此本文在对现有的相关研究进行深入分析的基础上,提出了基于依存树剪枝的图卷积网络人物属性抽取模型、基于嵌入表达的知识图谱实体对齐模型以及基于属性类型的属性对齐模型,实现了从非结构化数据源中准确提取用户属性并构建知识图谱的过程。具体的研究如下:1)针对现有基于依存树的关系抽取模型存在依存树修剪过度导致关键信息被裁减的问题,本文提出了基于依存树剪枝的图卷积网络关系抽取模型。该模型先以实体和最短依存路径为中心对依存树剪枝后得到剪枝依存树的邻接矩阵,随后将句子的词向量和邻接矩阵作为图卷积网络的输入得到每个词汇的隐式表达,然后采用基于实体类型嵌入和位置的注意力机制得到句子的表达,最后进行关系分类。实验表明了该模型在Sem Eval数据集和人物属性数据集上能够取得良好的效果。本文从剪枝子树延伸和否定词两个角度说明依存树剪枝方法能有效提升关系抽取效果,同时从实体类型统计结果解释了基于实体类型嵌入的注意力机制能有效区分实体类型并替代命名实体识别。2)属性三元组是知识图谱的重要组成,但现在实体对齐方法大多未利用该信息。针对该问题,本文提出了基于嵌入表达的知识图谱实体对齐模型。该模型使用字符嵌入与属性类型嵌入拼接的属性值嵌入引入属性值信息,同时在结构嵌入中使用图注意力网络引入知识图谱的结构信息从而得到增强的实体嵌入。实验表明了该模型在跨语言实体对齐数据集和同语言实体对齐数据集上都有良好的效果。3)针对属性对齐问题,本文提出了基于属性类型的属性对齐方法。该方法从属性名和属性值两个方面计算属性相似度,属性名相似度计算通过增加计算词向量相似度来引入语义信息,属性值相似度根据三种不同的属性类别采用对应的方法计算属性值相似度。实验表明模型在属性对齐方面取得了良好的成绩,精确度达到了98%。通过对比实验发现语义和属性值信息能减少错误的对齐属性对的数量,提升属性对齐的精确度。