随着计算机及网络通信技术的发展,互联网技术的飞速发展和Web3.0模式的迭代更新,各类社交媒体平台的出现使得人们能更加方便快捷的获取信息,例如国内的新浪微博、腾讯微博,国外的Facebook、Twitter等,这些社交媒体平台每天都会产生大量的网络文本产生,大量的信息都蕴藏在这些文本中。信息提取就是能自动的从这些非结构文本中提取结构化信息的自然语言处理任务之一,其中提取的结构化信息如“(马云,创始人,阿里巴巴)”的实体三元组能作为构建大规模知识库的知识来源。目前,作为知识主体的人物关系对信息的产生与传播具有重要的影响,研究者们逐渐开始关注人物资源对知识库构建产生的作用,故挖掘人物之间的关系成为一个研究热点。然而,传统的关系提取方法往往依赖大量的特征工程和自然语言处理工具,这样就会伴随着错误传播等问题。深度学习以其强大的计算和上下文语义捕捉能力可自动挖掘文本特征,已经成功应用于自然语言处理领域,很好的解决了传统方法中存在的问题。因此,本文基于深度学习研究了微博人物关系提取,主要工作包括以下几个方面:首先,本文构建了一个微博人物关系提取模型。该模型在卷积神经网络(CNN)的基础之上加入一个双向的长短时记忆网络(BiLSTM)编码层,形成一个混合神经网络。利用BiLSTM编码输入词的上下文信息,增强CNN提取更有效的文本语义特征,并提高处理大间距实体文本的能力。最后利用改进的分类器自定义目标函数对模型的训练过程进行优化。然后,本文为了解决在利用远程监督自动标注数据集产生的噪音问题,进而将输入从句子级别转换为包级别的输入,再利用微博文本实体之间的关系路径构建出一个关系路径编码器。该编码器用于测量文本中给定关系路径推理链的关系概率,将其与上一提取模型相结合计算出最能代表一个示例包的关系类型。实验部分基于远程监督结合外部知识库提供的中文实体三元组对爬取的数据进行对齐,生成后续的研究数据。为了验证本文提出模型的有效性,选取了基于不同方法的关系提取模型,设计了几组对比实验。实验表明,相比于传统特征工程的关系提取模型,在相同的实验环境下本文提出的模型效果更好,而相比于当前流行的基于CNN和LSTM的关系提取模型,模型的泛化能力更好。