实体关系抽取是自然语言处理领域的一个重要分支,是指从非结构化或者半结构化的文本中抽取出用户感兴趣的内容,并将其组织成结构化文本的文本处理技术,是知识图谱构建中知识获取最重要的工作。本文致力于端到端实体关系抽取算法研究,从“模型”和“数据”两方面出发,分析解决了目前端到端实体关系抽取无法完成重叠三元组抽取的问题,并缓解了实体关系抽取任务中所存在的三元组漏标和标注数据稀缺问题。本文在分析和总结现有实体关系抽取方法的存在问题和不足基础上,提出了一个基于多层序列标注和多信息联合标注策略的端到端实体关系抽取模型。该模型利用两段序列标注的方法从“主体实体”抽取和“客体实体-关系”抽取两个方面完成自由文本中的实体关系三元组抽取,并利用了联合训练机制,同时完成两个子模型的训练。在SKE数据和NYT数据集上,该模型的性能超过了本文所选的所有对比模型,在借助BERT模型作为编码器的情况下,F1-Score分别达到了80.5%和76.6%。针对标注数据中的三元组漏标问题,本文从“正样本减少”和“负样本误标”两方面的影响展开研究。为了量化“正样本减少”和“负样本误标”对模型训练带来的影响,引入了一个调节损失函数来计算这两方面影对模型带来的F1-Score下降比例。为了缓解三元组漏标问题,提出了一种基负采样训练方法,并通过实验证明了该方法的有效性。针对标注数据稀缺问题,本文对Tri-Training半监督算法在未标注数据预处理、模型初始化、模型迭代三个阶段进行了改进。在实验部分,为了验证该半监督算法在实体关系抽取任务上的有效性,我们对训练数据采用了多个比例的下采样来模拟各个数量级下的模型训练任务。通过与监督训练和改进前的Tri-Training算法进行对比试验,证明了本文改进的Tri-Training算法能够很好的缓解标注数据稀缺问题。最后将本文的研究成果应用到实际场景下的知识图谱构建中。通过少量的人工标注数据和大量未标注数据相结合的半监督方式完成了实体关系抽取模型的训练,并用该模型在大量非结构化数据上进行三元组抽取。本文通过多轮人工标注的方式从非结构化数据中构建了一个高质量的测试集,并用测试集对模型的抽取效果进行了测评。实验结果表明本文的实体关系抽取方法可以很好的解决实际应用下的“重叠三元组”、“三元组数据漏标”和“标注数据稀缺”问题。