随着大数据时代的来临,人工智能技术不断发展,已经影响和改变了人类社会生产和日常生活的方方面面。知识图谱是机器理解人类知识的基础,是人工智能领域的一个重要研究话题。现实世界中,人类知识纷繁复杂,日新月异,人工手动构建的知识图谱无法保证全面性和时效性,因此研究知识图谱自动构建技术非常有意义。关系提取是知识图谱构建的关键子任务之一,旨在从非结构化文本中自动抽取实体间的关系。目前,关系提取任务的主流解决方案是训练有监督的机器学习或深度学习模型,使模型能够识别文本中的关系模式。考虑到训练数据标注成本高的问题,远程监督在关系提取任务中得到广泛应用。远程监督将知识库与无监督文本对齐,来自动构造训练数据,因此可以减少人工标注成本。然而,远程监督构造的数据存在长尾分布和错误标注的问题,这导致关系提取算法存在训练不充分的问题。因此,针对远程监督存在的问题,本文从实体和关系两个角度展开研究,提出两种能解决长尾分布和错误标注问题的关系提取算法。本文的主要贡献如下:·基于无监督语料挖掘实体的语义信息:为解决远程监督学习中,由于训练数据不均衡致使模型训练不充分的问题,利用无监督语料构建实体近似图,进而挖掘实体的语义信息。现有的模型无法从训练数据中获取这种信息,因此是关系提取算法的重要补充,能够有效缓解训练不充分的问题。·提出基于实体间隐式相互关系的关系提取算法:为了解决远程监督中实体对训练不充分的问题,利用实体语义信息建模实体间的隐式相互关系,使每对实体对都能从其他实体对的训练数据中获取知识。为了引入实体间的隐式相互关系,设计了一个可扩展的关系提取模型,该模型能够集成实体间隐式相互关系、实体类型以及训练数据的信息。在两个广泛使用的公开数据集New York Times(NYT)和Google Distant Supervision(GDS)上进行实验,实验结果表明该模型在准确率和召回率等关键指标上均显著优于目前最先进的模型,而且能够有效缓解实体对训练数据不足的问题。·提出基于关系原型的关系提取算法:针对远程监督中关系训练不充分问题,从无监督语料和训练数据中学习关系原型,来捕捉关系之间的相关性,使知识能从训练数据充足的关系迁移到训练数据匮乏的关系,从而缓解关系训练不充分的问题。为了引入关系原型,设计了一种能够整合关系原型、实体类型信息以及训练数据信息的关系提取模型。在两个广泛使用的公开数据集New York Times(NYT)和Google Distant Supervision(GDS)上进行实验,实验结果表明该模型在准确率和召回率等关键指标上均显著优于目前最先进的模型,并且可以缓解关系训练不充分的问题,显著改善长尾关系的预测效果。