随着大数据时代的来临,各行各业每时每刻都在互联网中产生数据,数据体量正以指数级的速度增长。然而,在执行诸如在线预定、自动存取款、库存控制等操作时往往需要结构化数据,而结构化数据的获取依赖于自然语言处理中的信息抽取技术,信息抽取技术可以实现数据从非结构化到结构化的过程。信息抽取技术的核心子任务为命名实体识别和关系抽取,通过命名实体识别和关系抽取,可以快速抽取出句子中的有效信息,服务于日常生活中的各种应用。因此,命名实体识别和关系抽取自然成为了工业界和学术界的研究重点。目前,已有一些针对命名实体识别和关系抽取的模型被提出。然而,由于文本形式的多样化,现有模型未能有效应对词句表述多元化带来的挑战,导致预测精度的降低。本文尝试从多角度解决命名实体识别和关系抽取中存在的问题,在命名实体识别领域中主要针对单词多义性问题和缩写单词识别率低的问题,提出了一种基于对比学习的命名实体识别模型,该模型改变了其内部的训练方式,进一步提升预测精度。在关系抽取领域针对使用句嵌入向量作为最终全连接层输入向量的片面性问题,提出了一种基于图神经网络的关系抽取模型,通过该模型可以得到含义更为丰富的输入向量,进一步提升了关系抽取的预测精度。本文的主要研究内容概括如下:（1）本文针对严重影响命名实体识别准确率的单词多义性和单词缩写问题,提出了一种基于对比学习的命名实体识别模型WCL-BBCD（Word Contrastive Learning with BERT-Bi LSTM-CRF-DBpedia）。该模型由WCL-BBC（Word Contrastive Learning with BERT-Bi LSTM-CRF）和DBpedia两部分组成。WCLBBC模型结合对比学习思想训练大量的正例句子对和负例句子对去微调BBC（BERT-Bi LSTM-CRF）模型中的词嵌入编码模型BERT（Bidirectional Encoder Representations from Transformers）模型,有效缓解了因单词多义性所造成的实体类型识别错误的问题。DBpedia公开知识图谱用于获取WCL-BBC模型中文本语料库输入句子的潜在实体集,并筛选出存在于DBpedia中的潜在实体。将WCLBBC模型输出的实体类型和潜在实体的实体类型进行比对并修正,有效缓解了由单词缩写所造成的识别错误的问题;（2）本文针对关系抽取方法中使用句嵌入向量作为最终全连接层输入向量的片面性问题,提出了一种基于图神经网络的关系抽取模型REEGAT（Ro BERTa Entity Embedding with Graph Attention Networks）。该模型由三部分组成,分别为Ro BERTa（Robustly Optimized BERT Approch）模型、图注意力网络模型（Graph Attention Networks,GAT）和实体嵌入组件。Ro BERTa模型用于生成词嵌入向量,GAT模型主要使用多头注意力机制对词嵌入向量进行加权计算,进一步丰富词嵌入向量所要表达的含义。然后,使用实体嵌入组件以加权后的词嵌入向量作为输入,并根据自定义的池化算法获取句嵌入向量。其次,通过WCL-BBCD模型的实体识别结果获取对应实体的嵌入向量。最后,将句嵌入向量和实体嵌入向量进行拼接形成最终的表示向量相比句嵌入向量包含了更多的关系信息和单词信息。因此,使用该表示向量替换原本的句嵌入向量能够有效缓解片面性问题;（3）本文在CoNLL-2003和OntoNotes V5英文公开数据集进行命名实体识别的多组对比实验,实验结果表明本文提出的WCL-BBCD具有更好的命名实体识别效果。在Sem Eval-2010 Task 8和Wiki80数据集上进行关系抽取的多组对比试验,实验结果表明本文提出的REEGAT模型具有更好的关系抽取效果。