人类学习知识往往遵循由简单到复杂,由基础到尖端的“先修”顺序。错误的学习顺序不仅会加大学习难度,而且容易因为不理解学科概念,“望文生义”,误入歧途。然而这样正确高效学习的顺序往往很难获得,需要领域专家在完成相关方向的探索后进行手工标注。这意味着得到一门学科的“先修”顺序,不仅需要大量的专家投入时间精力,而且往往在时效上难以辅助对前沿研究方向的探索。本文以从学科相关文本中自动化抽取先修关系为切入点,通过在文本中标注出高质量短语,然后设计算法将其中课程概念抽出,并融合多种信息源进行分类,从而提高先修关系识别的性能,并构建了有序网络展示平台。主要进行了以下四项研究工作:（1）基于预训练模型的高质量短语抽取方法。得益于其精心设计的神经网络框架,预训练语言模型能够高效利用互联网中大量的无监督语料,吸收其中隐含的知识。因此,直接使用预训练模型构建高质量短语抽取模型能够在不需要额外语料的情况下,引入人类社会中的常识知识。相比传统的短语抽取方法,基于预训练模型的方法在教育数据上取得了较好效果。（2）基于图传播算法的课程相关概念抽取方法。同一个学科的概念在名称上往往具有一定的相关性与相似性,且在教育语料中也会经常共现。因此,通过图传播算法在设计好的图结构上进行计算,能够更好地抽取出高质量短语集合中,属于同一门课程的学科概念。实验结果证明了该方法的有效性。（3）融合多源信息的先修关系识别方法。人类在进行两个概念的先修性判断时,往往依赖于固定几种类型的信息。单独使用其中一种,则识别效果就会受到影响。针对这个问题,提出了一个融合多源信息的先修关系识别模型,对不同种类的信息进行表示与交互,提升了先修关系识别的效果。实验表明了该方法的有效性。（4）有序知识图谱构建。本课题将上述研究成果集成到展示系统,来模拟在实际使用场景中先修关系组成的有序网络的效果。为了更客观地评价系统效果,使用了人工与自动评价的方式。另外,也分析了系统存在的问题,为未来的工作方向提供指导。