伴随着互联网的快速普及与发展,全球上网人数不断增加,数据的生成量级也迎来爆炸性的增长,如何充分利用好海量的数据为人们提供智能化的信息服务一直以来都是计算机从业者所追求的目标。然而海量无结构的数据所提供的信息量是有限的或者说对于下游应用任务来说是不方便处理的,因此从无结构化的数据之中抽取出结构化的知识这一需求也日益迫切。关系抽取正是解决这一需求的重要任务,从纵向发展来看关系抽取是自然语言处理（信息抽取领域）中的一项非常基础的上游任务,它作为一项基础性的服务从无结构化的数据之中抽取出结构化的知识三元组,供下游任务（例如:问答系统、知识图谱、机器阅读理解等）使用;从横向发展来看关系抽取任务自身在经历了十几年的广泛研究之后,根据不同的场景与需求发展出了不同的任务形式（例如:句子级关系抽取、联合抽取、远程监督关系抽取、文档级关系抽取等）,而本文所主要研究的文档级长文本关系抽取正是近年来学术界广泛关注的一个重要且实用的研究方向。本文通过对文档级长文本关系抽取任务的详细研究,分析并阐述了之前研究中广泛存在的两类问题,首先提出了一个面向关系抽取任务的知识增强的预训练模型,以进一步提升文档级长文本关系抽取任务的基线性能。然后针对文档级关系抽取任务中存在的远程依赖信息捕获能力不足的问题,提出了一种层次结构的图神经网络模型。最终,基于前面两个工作,本文还探索了噪声文档级关系抽取这一关注度较低,但是非常重要的研究领域。本文的主要工作包括:1.基于文档级实体关系知识注入的预训练模型。在本文中我们提出了一种实体关系知识注入的预训练模型,致力于在通用预训练模型（pre-trained language model,PLM）的基础之上,注入PLM中一些与下游文档级关系抽取任务强相关的实体关系知识,从而为下游提供一个性能更加优异的预训练模型。具体来说,我们设计了一种伪标签词向量知识注入的方式能够在不增加额外参数的情况下高效的注入外部知识,并且我们针对文档级关系抽取任务的特点设计了多个新颖的预训练任务,让外部知识能够充分的融入预训练模型中。2.基于图神经网络的分层推理与聚合模型。针对文档级关系抽取中存在的难以捕获不同实体对之间远程依赖,难以有效聚合不同粒度有效信息的问题。本文提出了一种具有层次结构的图神经网络模型,将文档级关系抽取任务建模为一个层次递进的逻辑推理与信息聚合过程。具体来说,本文在三个不同的信息层级上面分别引入了三种不同的图,并且提出了一种新颖的混合注意力机制,来为要分类的实体对高效的聚合全局与局部的推理信息。3.基于知识蒸馏的噪声消除模型。在本文中我们探索了噪声文档级关系抽取这一关注度较低,但是却非常重要的研究方向。为了在噪声数据之中低成本的训练出一个性能相对优异的模型,我们基于前面两个工作,在知识蒸馏训练框架的支持下实现了知识的迁移。具体来说,我们将前面两个模型结合起来作为教师模型（Teacher Model）,将传统的预训练模型作为学生模型（Student Model）,将噪声文档级关系抽取数据作为训练数据,在教师模型的指导下,我们能够消除噪声数据的部分影响,从而训练出一个性能相对优异的学生模型出来。