实体和关系的抽取作为自然语言处理中知识抽取的主要环节,是一大研究热点。然而传统的基于流水线的实体关系抽取方法并不能达到良好的效果,现有的联合抽取方法通常需要复杂的特征工程。本文研究基于深度强化学习的文本实体关系联合抽取,提出基于参数迁移学习的实体关系联合抽取预训练方法和基于深度策略梯度的实体关系联合抽取模型。论文的主要研究工作和创新内容如下:1)基于参数迁移学习的实体关系联合抽取预训练方法研究本文首先采用基于共享参数的迁移学习算法实现对实体关系联合抽取的预训练,采用两种共享参数预训练技术-共享词向量参数和共享LSTM联合抽取器参数。该方法提出最新的结合实体位置信息的ALBERT词向量嵌入以构建共享词向量参数;抽取部分数据构建LSTM模型,将预训练的权重矩阵共享到参数相同的LSTM联合抽取器中。融合这两种共享参数技术用于后续的实体关系联合抽取。2)基于深度策略梯度的实体关系联合抽取模型研究本文在基于参数迁移学习的实体关系联合抽取预训练方法的基础上,提出基于深度策略梯度的实体关系联合抽取模型研究。本文首先将经过预训练方法的LSTM联合抽取器得到的输出值作为本模型的动作值。其次初始化强化学习模块中的目标网络-训练器,并打乱袋子顺序;通过基于策略梯度的强化学习算法来计算每一条语句即状态的奖励值,由策略梯度算法定义目标函数以期待总奖励最大化;由策略梯度算法定义优化函数以更新模型的参数,直至回合训练数结束。最后,对模型进行超参数的调优训练,设置参数值,直至模型收敛,生成最终的实体关系联合抽取方案。本文在公共数据集和医疗文本数据集上对以上方法和模型进行了测试,实验结果表明了基于深度强化学习的实体关系联合抽取方法的有效性,并且能够更加紧密应用实体和关系之间的信息,更好地预测复杂文本的实体及其关系,能有效提高实体关系抽取的效率。