关系抽取是信息抽取中的一项重要任务,关系抽取可以快速高效的从互联网海量无结构和半结构的文本数据中抽取出语义知识。在实际的应用落地场景中,关系数据的频率通常遵循长尾分布,其中少样本类别所占比例较大。一个面向实际场景的关系抽取系统既需要稳定可靠地识别拥有大量标注数据的头部关系概念,同时又能依靠少量训练实例高效地学习新出现的尾部关系,并获得能统一识别头尾类别的融合分类器。传统有监督方法、远程监督方法和传统少样本学习方法都只解决了目标的某一方面,即要么学习头部的多样本分类器,要么学习尾部的少样本分类器。本文针对性研究更切合实际的广义少样本关系抽取问题:基于大规模基础关系训练得到的模型可以动态结合少量的新关系样本,在推断时对基础关系和新关系做联合分类。原型网络近期在深度监督学习、少样本学习和不平衡关系分类等领域均取得了显著的成绩。然而,现有的原型网络基于静态场景而设计,忽略了动态学习过程中可能出现的新关系。而且原型网络应用到广义少样本任务中存在分类偏误问题。上述不足导致现有模型存在着基础关系和新关系学习任务不兼容的情况。因此,本文提出了基于任务自适应特征融合的联合原型网络,从而获得自适应且兼容的特征表示。此外,由于语言具有多样性和新关系少量样本所表达的语言特征不够充分,致使新关系学习能力欠佳。为了迫使新关系样本的特征表示更加关注其核心语义,本文提出原型对比学习来改善新关系的特征空间聚类表现,得到更加准确可靠的新关系原型表示。在大多数实际场景中,关系抽取系统不仅需要处理呈长尾分布的关系数据,也需要处理呈开放式分布的关系数据。目前的工作主要集中在关系的部分频率分布上,无法应对实际场景中关系抽取应用的需求。本文提出了开放环境下的广义少样本关系抽取,同时考虑关系的整体频率分布。具体来说,它不仅可以从大规模标注数据中学习基础关系,也能从少量标注样本中学习新关系,还可以在开放环境中检测出未知关系。为了实现上述目标,受到人类常常会对未知信息与已有经验进行基于模板或原型匹配的处理方式启发,本文设计了区域原型网络。通过结合联合原型网络和区域原型网络的想法,本文进一步提出了开放联合原型网络。本文提出的模型在公开大规模数据集上进行了大量实验,验证了本文模型的有效性。