近年来,实体关系抽取一直是文本信息处理领域的重要研究任务之一,对自然语言理解研究和构建大规模知识图谱至关重要。传统实体关系抽取方法存在特征提取误差传播问题,极大影响实体关系抽取效果。随着深度学习在实体关系抽取上的应用,该问题得到有效缓解。但大多数关于关系抽取研究的工作都将范围限制在同时识别文中指定的两个实体之间的关系。这种方法导致模型针对多个实体的文本时没有充分利用文本中其他实体信息,出现实体冗余现象。而同时识别文本中多个实体关系时,易忽略多个关系之间的依赖信息,出现实体关系冗余现象。针对以上问题,本文的主要研究工作如下:1.从融合冗余实体特征出发,提出了一种基于多粒度输入和实体注意力机制的关系抽取模型。该模型首先通过格框架思想,将文本中潜在的词级信息和实体词组信息动态地合并到字序列输入中,增强实体信息表示,避免分词错误传播。进而,结合实体注意力机制和多头注意力机制,分别抽取出关注全局信息的目标实体和冗余实体,将二者融合之后进行关系预测。最后,与其它使用格框架的神经网络模型进行对比实验,同时使用消融实验证明该模型的的有效性。实验表明该模型具有较好的泛化能力和鲁棒性。2.从融合冗余实体关系特征出发,提出了一种基于图注意神经网络和关系矩阵注意力机制的关系抽取模型。针对同一文本中多个实体间存在的冗余关系,该模型首先使用图注意神经网络捕获实体与关系之间的约束信息,然后使用关系矩阵注意力机制对文本中所有关系进行关注以获得多个关系之间的隐含信息,最后将二者特征融合之后进行关系预测。对比实验表明,该方法具有更高的关系抽取的性能,特别是针对多个关系的实例数据。3.设计了一个中文实体关系抽取的原型系统。主要功能是快速实现实体关系抽取任务并展示实体关系的拓扑结构。该系统采用模块化的设计方案,对数据集预处理、模型训练等流程结果进行单独的可视化,验证及展示了本文提出的实体关系抽取方法。