实体关系抽取是知识图谱构建与信息提取的关键环节,主要提取两个或者多个实体之间的某种联系,目的是得到三元组(实体1,关系,实体2)。领域自适应问题指在一个领域学习到的模型如何有效地应用到另一个领域。在现实生活中,我们不太可能获得所有领域的数据,更不可能为所有领域都标注数据。所以在关系抽取中无监督领域自适应问题尤为重要。本文的研究问题就是利用源领域带有标签的数据和目标领域没有标签的数据,去提升目标领域关系抽取的效果。主要分为以下方面的内容。1.为了避免领域私有特征的引入,更有效地抽取出领域共有特征,提出了一种多视角自适应网络。该网络在目标领域采用了多视角训练。源领域打好标签的数据和目标领域未打标签的数据被一起输入到共享特征提取器中,以学习共有特征表示。然后使用这些特征生成关系预测。除了这些全视图数据之外,还构造了一些受限制视图数据,会失去一些目标域上的上下文信息,例如实体字。这些受限制的视图数据也被输入到共享特征提取器中以产生预测。全视图数据的预测分布将充当“教师”的角色,以使不同的受限制视图数据学习相同的预测。通过拟合预测的分布,模型可以学习到不依赖于领域独有特征(例如实体词)的一些上下文信息。在ACE2005数据集上的实验表明,模型比现有工作在F1值上最高提升了2.1%,达到了目前最好的效果。2.针对现有模型无法很好捕捉不同领域的非序列特征问题,提出了一种端到端的图适应网络来对齐领域之间的非局部特征。在构造的三部图中,边仅存在于领域私有词和共有词之间,源域词和目标域词之间通过共有词作为媒介间接连接,并且词共现信息作为边的固定权重。然而,单词共现信息对语料库的依赖性强,不可避免地会引入一些噪声,因此又引入了图的动态权重。领域私有单词的表示动态权重由注意力机制实现。固定权重和动态权重相加做为边的最终权重。领域私有单词通过图卷积神经网络被对齐,然后再把这些单词的向量表示输入到共享特征提取器进行特征提取,就能有效避免领域独有信息的引入。在ACE2005数据集上的实验表明,图适应网络能有效对齐非序列的领域独有特征,并更关注一些具有强领域相关性单词的对齐。实验结果F1值最高提升了2.7%,也说明了模型的有效性。3.结合以上的创新点,设计开发了一个无监督的跨领域关系抽取模块,用于直观展示模型的效果,并使之便于整合到知识抽取系统或其他下游的任务中。