知识图谱在当下的许多应用中扮演着越来越重要的角色,一个完备简洁的知识图谱是许多自然语言处理任务的前提。然而,随着新数据的不断产生,知识图谱中过时的知识会显著降低知识图谱的质量。对于垂直领域知识图谱来说,只有及时地从新发布的领域规范性文件中抽取新实体之间的关系,才能为下游任务提供可靠的数据支持。本文为了保证垂直领域知识图谱的实时性,降低人工标注的时间和经济成本,设计并实现一个领域知识图谱的管道式更新算法。论文的主要研究内容有以下几个方面:（1）提出了针对垂直领域知识图谱的管道式更新算法。现有的知识图谱更新策略需要大量的标注数据保证模型性能。然而,大部分垂直领域只有少量的标注数据。为了处理频繁发布的领域规范性文件,需要专家进行人工标注,效率低且耗费时间。这种结合先验知识的管道式方法,首先通过DVBS（Dictionary Vocabulary and Bayesian Sets jointly）方法有效识别领域新实体,再通过BBGDA（BERT-based Bi-GRU with Dual Attention mechanism）方法抽取包含领域新实体的句子中含有的关系,从而实现知识图谱的动态更新。（2）提出DVBS方法进行垂直领域命名实体识别。现有的通用领域分词工具对于垂直领域的文本切分粒度过细,影响垂直领域命名实体识别效果。根据领域规范性文件中命名实体往往是组合词的特点,先获取领域术语候选集,进一步将实体按照类别加入领域命名实体词典。（3）提出融合注意力机制的BBGDA关系抽取模型。基于BERT模型进行词汇编码,其具有的自注意力机制允许输入之间相互作用,使得词汇的语义编码更加符合语境。通过单词级别的注意力机制重点关注对关系分类起作用的语义信息。句子级别的注意力机制,减少远程监督过程中产生的噪声。本文旨在针对领域规范性文件的数据特点,实现垂直领域知识图谱的数据层增量式更新,保证垂直领域知识图谱的实时性。从而为垂直领域知识图谱的下游任务提供高质量的数据保证。