随着互联网的高速发展,每时每刻都有大量非结构的文本涌现。实体关系抽取旨在从非结构化的文本抽取出实体以及实体之间的语义关系,从而将非结构化文本转化为关系三元组＜主语,关系,宾语＞。关系三元组是构成知识库的基本单位,因此实体关系抽取是构建知识库的基础工作,也是众多上游自然语言处理任务的重要工具。经过几十年的发展,实体关系抽取取得了长足的进步,与其相关的研究已经达到了较高的水平。然而,现有的实体关系抽取模型普遍存在过拟合现象以及冗余运算和曝光偏差的问题。本文针对这些问题进行了研究和探索,将贡献总结如下:1.针对现有的关系抽取模型存在过拟合问题,提出了融合实体类别信息的关系抽取模型。该模型引入实体类别信息,在预处理时使用实体的类别信息代替实体本身,缓解了模型对实体组合的过拟合现象。其次,使用BERT模型中隐藏的Transformer层,获取句子表征向量、实体类别表征向量以及实体表征向量。再次,使用线性合并层将这些向量进行融合,得到各自的最终向量表示。最后,将这些向量进行拼接,得到关系向量表示,输入到Softmax层进行关系预测。本文在SKE数据集上进行了实验,将所提模型与六种基线关系抽取模型进行对比。实验结果表明,引入实体类别信息有效地缓解了过拟合现象,提高了模型的泛化能力。2.为了进一步提高实体关系抽取模型的性能,在关系抽取的基础上,本文对实体关系联合抽取进行了探索。针对现有的实体关系联合抽取模型存在冗余运算和曝光偏差的问题,提出了关系优先的联合实体关系抽取模型。该模型优先抽取实体之间的关系,避免冗余计算,使用二进制指针标记两个实体的首尾,将实体抽取转化为多序列标注问题,再使用条件层归一化融合先验信息,缓解曝光偏差。首先,该模型使用BERT作为句子编码层,将BERT输出[CLS]的编码作为句子表征向量,使用该向量预测关系。其次,使用将这个关系作为先验知识,使用条件层归一化将先验知识和BERT输出的句子编码进行特征融合,得到实体表征向量。最后,将实体表征向量输入到Softmax层中预测实体的首尾位置,进而得到该关系对应的实体。本文在YNT和WebNLG数据集上进行了大量实验,并将本文模型与基线模型对比,实验结果表明所提模型有效地缓解了冗余和曝光偏差问题。特别地,该模型能够有效地适应于实体重叠的情况。