知识图谱作为一种结构化的信息,已被广泛应用于搜索引擎、问答系统等自然语言处理应用中。为了满足日益增加的世界知识,自然语言处理领域的研究者们致力于探索高效地自动获取世界知识的办法,那便是关系抽取技术。传统的关系抽取采用了管道式的抽取方法,首先识别出文本中的所有实体,再将实体两两组合,判别实体对所属的关系。管道式抽取方法忽略了命名实体识别和关系分类两个任务之间的紧密联系和相互作用,且实体识别的误差会传递给下游的关系分类任务,由此产生了端到端的联合实体关系抽取模型,命名实体识别任务和关系分类任务共享编码器和参数更新。近年来,前沿的端到端实体关系抽取模型致力于解决关系重叠问题,但仍然存在一些问题,如:1)主流文本编码器BERT将输入文本的最大长度限制为512,无法处理长文本的关系抽取;2)BERT内部基于Transformer的自注意力机制以及关系分类任务的解码器的复杂度与句子最大长度的平方成正比,导致模型庞大;3)很少公开发表的研究在中文关系抽取数据集上进行性能测试比较。基于以上问题,本文主要贡献如下:1)基于现有研究,提出了改进的端到端的实体关系抽取模型,主要改善了端到端模型的嵌入表示,降低了模型的复杂度,在英文公开数据集NYT上不仅提升了关系三元组的F1分数,还减少了模型的计算时间;2)提出了一个适合长文本的实体关系抽取模型。通过将一个长句文本切分成若干长度较短的子句后,构建了子句对的关系抽取模型,将长文本抽取问题转换为多个子句对之间的关系抽取问题,从而解决了长距离三元组无法被抽取的问题,也解决了长文本的模型空间复杂度过高的问题,并在中文数据集Du IE2.0的简单关系上验证了其有效性和并且相比较滑动窗口方法提升了关系F1分数;3)提出了一个复杂关系的抽取模型。模型通过将一个复杂关系抽取问题分解成多个简单关系三元组抽取的方式,从而能在一次抽取过程中抽取出更多与关系相关的属性,而不仅限于主体和客体。并在Du IE2.0的复杂关系数据集上验证了其有效性。