知识图谱用一种结构化的方式存储现实世界存在的知识，由于其知识易于被计算机处理，因此在自然语言处理的许多任务中它都起着极其重要的作用。虽然从绝对数量上来看，现有知识图谱已经包含了海量的三元组事实，但是与真实世界中存在的知识相比它远远不够，因此如何完善知识图谱成为目前的研究热点。本文提出了一种基于非结构化文本增强关联规则的知识推理方法(NaturalLanguageEnhancedAssociationRulesMining,NEARM)。使用该规则可以将自然文本中包含的三元组事实推理出来用以完善知识图谱。本文的工作有：
　　1.为了从非结构化的文本中抽取三元组事实，本文使用密度峰值算法对关系文本聚类，其中涉及到的句子相似度计算使用改进的LSWMD算法。为了提高算法效率，本文还利用基于K-BoD的文本聚类算法对其进行改进。
　　2.为了将类簇建模为一个统一的表达方式放入到非结构化关联规则中，本文提出了改进的BoD(BoD-GS，基于高斯分布的文本模式建模)和BoD-TDGS(基于二维高斯分布的文本模式建模)来建模关系文本。实验结果表明，较于BoD-GS，BoD-TDGS更为准确合理。
　　3.研究上述模型得到的文本类簇，可以发现在正常的自然语言表述中，符合这些表达模式的文本所包含的主语和宾语倾向于拥有类似的属性值。将这些规律进行建模可以辅助从更多的文本中抽取三元组事实。在关联规则挖掘算法的启发下，本文提出并研究了非结构化文本增强的关联规则挖掘，将自然语言文本引入到关联规则中。得到的关联规则充分利用文本信息与知识图谱中的知识，可以直接应用于非结构化文本，并进行三元组事实抽取。
　　4.为了模拟非结构化关联规则完善知识图谱的过程，本文搭建了一个基于非结构化关联规则的知识抽取原型系统完成仿真实验验证。
　　5.最后，将非结构化关联规则应用到关系分类及三元组推理两个任务上，实验结果表明了NEARM算法的有效性。