知识图谱作为目前高效的信息管理技术,能够提高搜索引擎和问答系统的性能,具有广泛的研究前景。知识图谱的构建是应用的基础,关系抽取作为信息抽取的主要任务之一,能够为知识图谱构建提供实体关系三元组,是知识图谱构建的关键技术。远程监督关系抽取方法通过数据自动对齐远程知识库来解决有监督需要大量标注数据的问题,适合应用到知识图谱构建领域,但是远程监督获取的标注语料中存在大量的噪声数据,会影响模型的性能。知识图谱的构建是不断更新完善的过程,利用知识图谱自身的语义信息能够改善关系抽取的性能,提供更高质量的实体关系三元组。本文根据关系抽取和知识图谱的相关知识,结合知识图谱的需求及相关技术,研究了面向知识图谱的关系抽取。本文的主要研究工作如下所述:1)提出采用实体注意力机制（Entity Attention）的关系抽取模型（EA+PCNN+ATT）,基于实体注意力机制捕捉不同单词对语句关系表达的影响,联合PCNN（分段卷积神经网络）抽取语句的文本特征,使得模型能够抽取全面的语义特征,此外增加句子层面的注意力机制,减少错误标签对关系表达的影响。与已有的方法相比,能够注意到不同单词对关系表达的影响,提高关系抽取模型的性能。2)提出基于强化学习（Reinforcement learning）的关系抽取模型（PCNN+RL）,由于远程监督的数据对齐过程会产生噪声数据,远程监督关系抽取模型一般采用bag（包）级别的训练数据,使用粗粒度的监督信号,这样会降低模型的性能。基于强化学习的实例选择器选取最能表达包关系标签的语句,作为关系分类器的训练数据。与已有的方法相比,解决了远程监督关系抽取的噪声和粗粒度问题,为知识图谱构建提供高质量的实体关系三元组。3)提出结合知识图谱嵌入的关系抽取模型（KG+PCNN）,知识图谱的构建是不断完善更新的过程,知识图谱本身蕴含着丰富的语义信息,利用这些信息能够抽取句子中隐含的关系。KG+PCNN首先使用PCNN抽取语义特征,同时利用知识图谱嵌入模型获得知识表示,将两个模型进行联合学习,有效的利用知识图谱的先验信息,改善关系抽取模型的性能。与已有的方法相比,利用全局损失函数联合训练两个模型,能够使两个模型互相促进,提高模型的性能。本文在远程监督基准数据集上进行实验证明了上述方法的有效性。