远程监督思想可将关系抽取任务扩展到包含上万种语义关系的大规模语料库上,因此基于远程监督的关系抽取技术已被广泛地应用到了从自然文本中识别新关系事实的任务中。但因为:(1)语义关系相近的实例容易被混淆;(2)不同语义关系间训练数据的不平衡会导致模型忽略对只有少量训练数据的关系的学习,所以只依赖单个节点的分类模型在同时区分成千上万种关系时,不可避免地会出现严重的分类错误问题。虽然前人为解决该问题做出了很多的努力,但到目前为止都没有取得令人满意的进展。本文创造性地提出了一种基于多层级远程监督的关系抽取模型,该模型通过建立一个树状的分类结构,将原始的单节点分类任务划分成多个不同层级上的子分类任务。根据构建的树状结构,一个未标注的关系实例将会从根节点开始一步步地被划分到某个叶子节点,且叶子节点划分的关系标签是该实例的最终标注结果。除此之外,我们提出了迭代式的远程监督算法,该算法利用新学习到的关系事实迭代式地更新分类模型,可以有效地提高抽取的精确率和召回率。在两个真实数据集上的实验结果表明,和以往方法相比,我们的方法提高了10%的抽取精确率。但迭代式关系抽取方法中存在一个很常见的问题,即语义漂移问题。在本文中,我们将引起语义漂移现象的实例或上下文模式定义为语义漂移点,并提出了通过识别语义漂移点最小化语义漂移现象的新方法。以往的方法都是在牺牲召回率的前提下提高清洗的精确率,但基于语义漂移点的消除方法不仅有效地清洗了大部分的语义漂移错误,而且保持着较高的召回率。实验结果证明,基于语义漂移点的清洗算法可以在精确率达到90+%的同时,清洗90%的错误实例或上下文模式,其清洗效果远优于以往的方法。