随着互联网的不断发展,网络信息正呈现出爆炸式增长的趋势,许多有用信息蕴含在其中,依靠人工筛选编辑知识的方式已无法满足处理海量文本数据的需求。如何有效地从海量文本中自动提取结构化信息,提升人们筛选和获取信息的效率是当前亟需解决的问题。实体关系抽取技术是这一问题的有效解决方案,该任务旨在自动识别和抽取非结构化文本中的实体和实体间隐藏的语义关系。深度学习模型在实体关系抽取任务中显示出良好的性能,然而当前的实体关系抽取模型多采用管道方法或简单的联合抽取模型,忽视了实体识别和关系抽取两个子任务之间明确且必要的相互支持。同时,实体关系抽取在实际应用中存在样本数据较少、标注成本高的特点,关系模型在少样本情况下面临着训练效果差、泛化能力不足的问题。因此,针对上述问题,本文从知识增强的角度对实体关系抽取进行研究,探索了两种有效的实体关系抽取模型,通过实验验证了所提出的方法的有效性,并探究了模型的优势与不足。本文主要贡献包括:·提出基于对比教师学生学习的实体关系抽取模型。针对联合模型对实体识别和关系抽取子任务间潜在交互特征建模不足的问题,本文定义了关系抽取任务中的特权信息,提出一种对比教师学生学习框架鼓励学生模型融合两个专家教师模型的知识,增强模型生成特定的实体关系三元组所需的潜在特征。在COLIEE、ADE、Sci ERC基准数据集上的实验结果证明了所提出算法的有效性。·提出基于提示学习的少样本关系抽取模型。为了应对真实场景下训练数据不足对关系抽取模型所带来的挑战,本文利用T5模型自动生成多个提示模板,将关系抽取任务转换为基于提示学习的预测任务,提出一种模板正则化网络,利用提示信息激发预训练语言模型中的潜在知识,提升小样本关系抽取效果。在Few Rel、NYT-25数据集上的实验表明了本文所提出的模型明显优于基准模型。·构建关系抽取原型系统。基于目前互联网用户对于高效获取信息的需求,本文通过对前述算法的进行模块化封装,集成实现了关系抽取原型系统。该系统将知识增强方案应用于关系抽取中,不仅达到了良好的抽取效果,并通过可视化方式呈现出文本结构化关系,提升用户获取信息的效率。