最近几年,飞速发展的互联网创造了大量非结构化文本,这些非结构化文本包含着真实世界的各种信息。实体关系抽取任务是为了从这些杂乱无章的散乱文本中抽取出关键的语义信息得以转换成机器易于理解的结构性信息。实体关系抽取包括命名实体识别和关系抽取两个子任务,作为其一的子任务关系抽取,是做下游任务的重要一个前提环节。针对单句上的关系抽取任务已经有大量的研究了,研究学者们也将目光从单句转向了文档级别复杂跨句文档级别关系抽取任务中。相比于单句关系抽取任务,文档级别关系抽取任务存在跨句提取,多实体之间关系推理等难题。同时,之前的研究也表明依存句法分析得到的依存关系对关系抽取任务也有一定的帮助,但是在依存关系树的充分利用上,仍在存在一些需要解决的问题。本文针对上述三个问题进行了探索和研究,总的来说,本文的主要工作包括:1.对跨句关系提取和关系推理的研究。提出了基于图融合策略的关系抽取模型,该模型通过语义信息和依存结构信息同时构造显式图和隐式图;其次,通过多种图融合策略将包含两种不同信息的图结构进行融合,得到每个实体提及节点的最终表示向量。为了解决关系推理问题,本文将所有的实体进行图上的游走来捕获跨实体信息以得到跨实体信息来进行实体之间的关系推理。再次将更新过的实体表示分别链接起来经过前馈神经网络得到预测的关系类别向量,最后将此关系类别向量进行softmax函数激活以获得最终的关系类别预测。2.对依存关系树的充分利用进行研究。提出可以进行依存关系类别编码的模型,该模型以长短时记忆序列网络作为模型的基础架构。受到抽出的依存关系树每个节点只有一个父节点连接性的启发,将待抽取的句子输入进LSTM中得到中间的隐藏向量。根据依存关系树中的父子关系与父子之间的依赖关系进行拼接,再次经过LSTM模型输出,此时每个节点已经包含依存父节点和父子之间依存类别的信息。最终经过关系分类器进行最终的关系分类。3.全面对本文提出的模型进行了有效地评估。本文通过在公开文档级别关系抽取任务数据集中做了针对以上研究内容的实验。实验结果表明,本文提出的方法相较于之前的相关研究都有较好的实验表现,通过评价指标和一些具体的例子可以看到本文可以有效地解决跨句关系提取和关系推理的问题。