随着自然语言处理的不断发展,实体关系抽取作为信息抽取中的一个重要子任务受到许多研究者的关注。实体关系抽取可以分为开放域实体关系抽取和限定域实体关系抽取。限定域实体关系抽取作为实体关系抽取中最经典和最基础的任务,一直受到研究者们的关注。在限定域实体关系抽取中,传统方法基于模板匹配或传统机器学习需要根据语料人工构造匹配模板或者设计特征,费时费力且通用性较差。随着深度学习的发展,研究者们使用深度神经网络对文本进行特征抽取,在实体关系抽取上取得了突破。但是目前的大多数方法使用预训练词向量对文本进行映射,模型的性能受限于预训练词向量的语义建模能力,无法很好地建模文本的上下文语义和利用实体的语义信息。同时,这些模型局限于训练数据,对外部知识的利用不足。针对上述问题,本文提出了结合Ro BERTa和语义角色信息的关系抽取模型,并结合多任务学习的方法进行训练。本文模型使用Ro BERTa对文本进行建模,充分地学习文本的上下文语义特征,并引入实体的语义角色标签作为外部特征增强实体的语义信息。此外,为了加强模型建模与实体更相关的上下文向量,本文使用实体感知注意力对文本建模向量进行加权处理,生成与实体对更相关的上下文向量,减小与实体关系无关的文本的影响。最后,本文基于多任务学习的思想,引入辅助任务,通过共享参数的方法让模型学习到其他任务中蕴含的知识,进一步提升了模型的抽取性能。实验结果表明,本文提出的模型可以有效提升实体关系抽取的效果。在Sem Eval-2010 Task 8数据集上,本文模型无需人工定义复杂规则就取得了89.94%的Macro-F1值,接近于基于人工设定规则抽取句法指示符的Indicator-aware BERT的90.36%。对比实验的结果表明语义角色信息与多任务学习可以互补地提高模型实体关系抽取性能。