互联网经济迅速发展,网络上由用户产生的数据越来越多,且大部分是文本数据。巨量的数据中蕴含众多有价值的信息,如何从复杂的文本数据中挖掘有价值的信息是一个重要的挑战。在众多文本挖掘任务中,关系提取是当前研究热点,不仅有重要的理论价值,而且在生物信息学、电子商务、社交网络、信息检索等场景中有着广泛应用。当前研究中,基于深度学习的判别式模型取得了良好的性能,该类模型需要大量的标签数据,然而获取高质量标签的代价很大。众包和半监督学习的方法可以减少标注工作量,但在训练过程中,受限于标签质量和数量的不足,判别结果不够精确。为解决该问题,本文考虑利用领域和任务相关的数据依赖关系,来减轻标签质量和数量不足的影响。为实现此目的,如何通过定性和定量相结合的方式挖掘和描述多种数据间的依赖关系,并利用依赖关系发现模型问题,通过进一步调试取得更好的性能,是本文面对的主要挑战。针对上述挑战,为帮助用户定义和调试数据依赖关系,本文提出一种交互式的图模型构建方法。首先,面向关系提取任务,充分挖掘文本数据间多种依赖关系,并映射为MentionGraph图模型的结构特性。本文通过交互调试的方式选择合适的依赖关系,逐步构建图模型,有效缓解标签噪声和标签不足的问题。为支持调试过程中良好的用户交互性,本文提出了有效的交互原则,并设计了调试语义和运算符。其次,基于上述方法和原则,本文设计并实现了一个交互式模型构建与调试系统,通过良好的人机交互接口帮助用户观察模型运行情况、探索图模型空间。最后,为解决图模型计算量大而导致调试效率不高的问题,提出了三种加速优化方法,有效提高了图模型的收敛速度,优化了用户体验。在关系提取任务上的实验表明,本文所提系统构建的交互式图模型可以从小型训练集泛化到另一领域的较大语料库中,因此,体现出对跨领域语料库依赖关系的学习能力。实验结果还表明,在众包任务和半监督学习任务中,本文的交互式图模型优于对比方法。