随着互联网科技的发展,快速有效地从互联网大量非结构化数据当中提取实用信息的需求日益增加,关系抽取作为一项重要的信息抽取任务,成为自然语言处理领域的研究热点。传统关系抽取方法,存在长尾关系数据量不足的问题,随之研究人员提出小样本学习（Few-Shot Learning,FSL）方法摆脱了对数据规模的依赖,但现有的小样本关系抽取模型存在距离度量参考无关特征和容易受噪声影响的缺点。因此,本文在原型网络（Prototypical Networks,ProtoNet）中采用土方移动距离（Earth Mover’s Distance,EMD）改善了距离度量问题,并在改进的模型中引入噪声检测处理模块,获得了较高准确率。具体工作如下:（1）针对ProtoNet模型中查询样本与类原型之间距离度量方法受无关特征影响较大的缺点,提出了基于EMD的小样本关系抽取模型（Earth Mover’s Distance with Prototypical Networks,EMD＿ProtoNet）。采用土方移动距离代替ProtoNet模型中的欧几里得距离,在EMD＿ProtoNet模型中,首先进行样本嵌入得到样本向量表示,计算各个关系类别的类原型,接着采用EMD计算查询样本嵌入与类原型之间的距离,确定查询样本与类原型的相关性,再根据相关性进行关系抽取。为了使EMD更多地关注具有较大区别性的特征,使用一种交叉参照机制生成EMD公式中节点的重要性权重,以便重要特征能被充分利用。将EMD＿ProtoNet在Few Rel1.0数据集上进行实验验证,结果表明,在不同小样本设定下EMD＿ProtoNet的关系抽取准确率比基线模型ProtoNet高2.17%-5.27%。（2）针对小样本学习受噪声影响较大的缺点,在EMD＿ProtoNet模型基础上,提出了引入噪声检测处理模块的小样本关系抽取模型（Noise Detection and Processing Module with EMD＿ProtoNet,NEMD＿ProtoNet）。噪声检测处理模块由支持集样本自参照机制和样本注意力机制共同实现。支持集样本自参照机制计算各关系中支持集的每个样本与本关系所有支持集样本的平均距离,将平均距离最大的样本判定为噪声样本;样本注意力机制为样本分配权重值,赋予噪声样本低权重。最终,为关系类别计算加权平均得到类原型,减小噪声样本引起的类原型偏差。将NEMD＿ProtoNe在Few Rel1.0数据集上进行实验验证,结果表明,在不同小样本设定下NEMD＿ProtoNet相较EMD＿ProtoNet准确率提高0.7%-3.46%。