文本信息抽取指的是在具有指定实体类别的文本实例中找出目标实体和语义关系的过程。虽然知识抽取在自然语言处理领域获得了长足的发展,并已有一些知识抽取工具或系统可用于关系抽取,但是大多数工具和系统抽取的结果由于不满足领域知识约束而缺乏可用性。现有的知识抽取系统无法直接应用于教育领域的知识图自动生成。因此本文提出了一个用于提取并可视化文本类学习资源中认知价值语义关系的技术框架EVSR,它是由带条件随机场层的双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM-CRF)和分段卷积神经网络(Piecewise Convolutional Neural Networks,PCNN)实现的。在EVSR中,BiLSTM-CRF模型用于提取语义实体,PCNN模型用于识别语义关系。本文还实现了EVSR的原型系统,系统可以识别出文本类学习资源中的语义关系实体对。语义关系实体对经过合并、推理等操作可以生成一个语义链网络(Sematic Link Network,SLN)。最后SLN可以以概念图的形式可视化。本文还在准确率,适应性等方面将这两个模型与前期研究手工抽取方法、基于规则的抽取方法、基于特征的抽取方法做对比。实验表明,BiLSTM-CRF模型概念实体识别准确率超过了本文的前期研究,PCNN模型语义关系识别准确率能够达到一般水平。虽然基于规则和基于特征的语义关系抽取方法能够获得比与深度神经网络模型更高的准确率,但是不能解决更多种类语义关系的抽取问题,而PCNN模型能够更好地处理多种语义关系的分类问题。与前期研究的可视化结果相比,系统生成的概念图中概念实体和语义关系的数量和种类都更加丰富。由具有认知价值的语义关系生成的概念图,作为知识可视化工具,能够帮助学生快速掌握文本的重点内容和知识结构,培养学生知识整合能力。