关系抽取技术作为国内外自然语言处理和知识图谱系统构建工作过程中的一个重要环节,具有重要的理论意义和广阔的应用发展前景。近年来,随着互联网计算力的快速发展和数据资源量的飞速膨胀,自然语言处理的各个发展方向都开始受到了极大的重视和推动,对于自然语言处理中关系抽取的精确性和灵活性也渐渐有了更高的技术要求。目前主流的关系分类抽取的方法研究中,传统的基于统计学的机器学习方法,存在着诸如误差在模型中不断传播、过于依赖特征提取质量等问题。随着神经网络、知识图谱和各类深度学习模型的研究和发展,利用深度学习和神经网络的关系抽取研究方法越来越受到相关领域研究者的青睐。以此为基础,论文提出了基于注意力机制和有序神经元长短期记忆网络的深度学习关系抽取模型,根据关系抽取任务与句法结构特征和上下文语义特征相关的特点,将关系抽取问题转化为关系分类预测的任务,并通过引入外部资源库特征向量作为辅助特征提取,提取出深度词级特征向量,作为后续的神经网络中输入的一部分;此外,关于句法相应特征提取的方法是通过词向量嵌入,得到当前词的特征向量以及相对于实体对位置的嵌入向量。之后依次通过卷积神经网络抽取层和有序神经元长短期记忆网络层,得到深度的句法特征向量。模型将提取出的深度句法特征和词级特征合并,通过Softmax层最终得到关系分类的预测向量,其中元素得分最高项对应的是预测该实体对的结果。此外,论文还引入了数据增广的方法,扩充了数据集,以此来提升模型的泛化性与鲁棒性。论文在Sem Eval-2010 Task 8数据集的基础上进行了对于关系抽取任务的实验,并与目前基于传统机器学习的方法和比较主流的深度学习模型方法进行比较,结果表明论文中提出的关系抽取方法应用效果更好。