互联网上存在着大量具有重要价值的非结构化文本数据,需要使用信息抽取技术将其转换为结构化知识。关系抽取是信息抽取技术的基础任务之一。关系抽取任务旨在将非结构化的自然语言文本转化为结构化的三元组,以便于人们使用计算机进行高效地处理、存储和检索。基于有监督学习的关系抽取方法要求具有足够多且完全标注的训练数据,但现实中往往缺乏大量人工标注数据。尽管远程监督模型可以通过对齐知识库获取大量数据,其依然无法从本质上解决样本分布的长尾问题。针对上述挑战,本文在小样本场景的设定下,从两个角度分别提出了两种方法进行研究:(1)融合结构信息的小样本关系抽取方法。为了解决真实场景中样本分布的长尾问题,针对小样本场景的特点,此模型使用一种非参数估计方法。该非参数估计方法认为每个类都存在一个类原型,并通过预先定义的度量函数来计算查询样本与类原型之间的相似度。由于通用的特征提取方式往往会忽略句子的结构信息,此模型对句子的依存关系树进行建模,利用图卷积网络从依存关系树中提取结构信息,并将该结构信息融合到小样本关系抽取模型中。(2)基于动态度量的小样本关系抽取方法。由于非参数估计方法中的度量函数是人为规定的,该方法并不能非常准确地表示相似性,无法更好地预测实体对之间的关系。为了解决上述问题,基于动态度量的模型使用深度神经网络学习一个非线性度量函数,从而能够对查询样本与支持样本之间的相似度进行更全面的度量。此外,为了进一步验证结构信息对小样本关系抽取任务的有效性,本文也将句子的结构信息融合到基于动态度量的模型中。为了验证上述两种算法的效果,本文在领域内广泛使用的公开英文数据集上进行了大量实验与分析工作。实验结果表明,本文提出的两种算法均能使小样本关系抽取的性能有所提升,在一定程度上有效地缓解了样本分布的长尾问题。此外,本文提出的方法参加了 2018年TAC药物相互作用关系抽取比赛,获得了综合成绩第一名,并将此方法应用在了中国工程科技知识中心建设项目的知识计算引擎平台中。