在大数据时代,信息主要通过文本形式作为载体存储和传输。人们采用信息抽取技术处理非结构化文本数据,得到结构化或半结构化的数据,获取用户真正感兴趣的信息。命名实体识别和关系抽取是信息抽取技术的基础,对于自然语言处理领域的高级应用有重要意义。传统方法使用流水线式处理实体和关系抽取任务,存在错误传播和冗余信息等缺点,性能较差。实体和关系之间存在交叉依赖,因此对实体和关系进行联合抽取很有必要。研究了实体和关系联合抽取的编码解码技术。使用神经网络结构自动提取输入文本的语义特征,不依赖外部的自然语言处理工具,避免外部工具错误。提出的模型包括四个模块:词嵌入层、编码层、关系抽取模块和命名实体识别模块。词嵌入层使用单词的word2vec词嵌入和字符级别的词嵌入;编码层采用双向长短时记忆网络,可以充分利用文本的上下文语义特征,有效缓解长距离依赖的问题。词嵌入层和编码器层属于共享底层,输出信息同时作为命名实体识别解码器和关系抽取解码器的输入,两个解码器模块共享文本特征和编码器参数,可以对两个子任务进行相互约束。关系抽取解码器采用卷积神经网络,可以抽取多种关系实例,在CNN的输入层添加注意力机制,为每个词生成上下文信息。命名实体模块分别采用Softmax解码器和条件随机场解码器,实验得出条件随机场结果更好。最终采用了Bi LSTM-ATTCNN-CRF模型,相比较之前的联合抽取方法,本课题提出的模型在F1值上取得提升。