远程监督关系抽取通过对齐知识图谱中的三元组和大规模文本语料来生成大量用于关系抽取的数据。尽管远程监督的方法可以避免人工标注数据,但不可避免地引入了噪声问题。最新的一些方法通过引入实体相关的背景知识来解决噪声问题,如知识图谱中实体的类别信息等。然而这些方法仍然面临一些挑战。一方面,这些方法只引入了单一源的背景知识,需要定制特殊的模型且信息的覆盖率不高。另一方面,这些方法没有考虑引入背景知识中的噪声对模型性能的影响。为了解决上述问题,本文提出了一种基于边推导和注意力机制的混合图卷积模型（ER-HG）,该模型通过融合多源背景知识来学习更好的实体间的关系表示。这里的多源背景知识包括从知识图谱得到到实体背景知识,如实体的表示和实体类别表示,以及从文本挖掘到的背景知识,包括句子和文本关系路径。本文提出了一种边推导的图卷积网络（ER-GCN）,该网络能有效的学习异构图中不同类型节点之间的关联性。本文还应用了带监督信息的关系近似表示来对不同类型节点信息进行筛选,能够抵抗引入的多源背景知识中的噪声信息。本文的主要贡献可以分为以下三部分:1)提出一种混合图模型来融合多源异构背景知识来提高远程监督关系抽取的性能,该模型将每种背景知识表示为同一特征空间中的节点,将背景知识之间的关联表示为边。混合图模型具备灵活引入背景知识,提升信息覆盖率等优点。2)提出一种基于边推导和注意力机制的图卷积网络来对图模型建模。该网络能够学习不同类型节点之间的关联性,增强了节点在卷积过程中对邻居节点中有效信息的流通,同时引入了带监督信息的注意力机制来抑制引入背景知识中的噪声。3)本文设计了丰富的实验来验证我们方法在不同场景的性能。实验采用了三个数据集,分别在通用领域和人物关系领域,中文和英文场景来测试方法的领域迁移性和鲁棒性。实验结果表明本文的方法在利用背景知识和抑制噪声等方面均优于现有的模型。现实关系抽取场景中,可以通过垂直领域获取很多实体或者文本相关的背景知识等,研究引入多种背景知识的方法可以有效帮助关系抽取模型更好的利用其它途径获取的信息,帮助关系抽取模型更好的预测关系种类。