关系抽取旨在识别文本中的成对实体的关系事实,被广泛应用于知识图谱构建和自然语言处理领域。与专注人工设计特征的传统方法相比,基于深度学习的关系抽取方法已取得了显著成果。但是,现有的这些关系抽取方法通常假定待预测的关系类别是一个封闭的关系集合,没有考虑需求的动态变化,不适用于实际的应用场景中。由此引出了对终身关系抽取的研究,也就是说,需要预测的一组关系可能会随着时间的推移而改变或扩大,同时我们无法在每个阶段重新访问所有以前的数据。本文将研究如何在终身学习的场景下进行关系抽取,面临的主要困难是神经模型会有灾难性遗忘现象,即模型在学习新任务时往往会遭遇旧任务性能上的显著下降。为此,终身学习提出不同方法来减轻遗忘,大致可分为三类:一是使用正则化项来防止重要参数值的急剧变化,二是使用内存模块存储少量旧任务数据,与新任务一同训练达到经验回放的目的,三是是采用动态架构,通过保留原有网络结构并且新增层、节点的方式学习知识。这些方法已在简单的图像分类数据集上获得了可观的性能提升,但是事实证明它们在自然语言处理任务中表现不佳。在目前的研究中,还仅有较少的文献讨论了终身关系抽取的方法。通过对现有方法的分析和总结,发现现有研究仍存在三个问题:一是采用动态架构,或者新增网络层的方式进行训练,在过参数化的关系抽取模型中引入了更多的参数,导致模型所需的监督信号、内存资源和计算资源成倍增加。二是在保存少量旧任务样本以供学习时,忽略了对于这些样本的过拟合现象。三是采用固定强度的正则化项来缓解遗忘,缺乏灵活性,难以达到新任务学习和旧任务保留之间的良好平衡。针对上述三个问题,本文提出了基于动态正则化的终身关系抽取模型（DR-EMR）和融合类别区分性的终身关系抽取模型（FT-MR和LM-MR）。论文的主要工作如下:第一,本文提出了基于动态正则化的终身关系抽取方法。该方法将关系抽取建模为句子关系匹配问题,输入为句子关系对,输出的是相应的匹配分数。为了保留已学到的知识,使用两种正则化项,并且设计了一种动态平衡策略,以通过训练损失的变化来自适应地调整正则化项的强度,使新任务学习和旧任务保留之间达到良好的折衷。在不引入更多参数的情况下取得了更好的效果。第二,本文提出了融合类别区分性的终身关系抽取方法。调整模型的训练流程,首先进行新任务学习,然后使用内存数据训练模型。内存数据中各任务样本分布均匀,有助于模型学习新旧知识,缓解对于内存数据的过拟合问题。为了保持关系类别之间的区分性,本文提出两种方法:一是在最后阶段对模型进行微调,以适应类别区分性的目标;二是使用标签映射算法在训练前为各关系类别生成具有一定区分度的表示向量。论文在两个公开数据集上进行实验。实验结果表明,与目前最先进的方法对比,本文模型在Few Rel数据集和Simple Questions数据集上的平均准确率提升了4.9%和0.3%,整体准确率提升了1.4%和2.8%。实验证明了论文提出的模型在终身关系抽取任务上的有效性。