自然语言处理是人工智能一个重要的子领域,对人类生活的影响重要且深远。目前如何从海量、冗余的信息中提取用户感兴趣且有意义的内容是亟待解决的问题。信息抽取的两项核心性任务是命名实体识别和关系抽取,近年来深度学习技术在两任务中得到了广泛应用,在效果上取得了很大的进步。关系抽取任务建立在实体识别任务之上,目的是对识别出有意义的实体进行关系提取。本文采用管道方式,研究了以词向量预训练模型为基础的命名实体识别模型,进而利用识别出的实体与神经网络结合完成关系抽取任务。下面对本文工作和创新点进行介绍:1.完成了基于BERT-BiLSTM-CRF模型的命名实体识别工作。通过BERT预训练模型获得词的向量表示,该方法有效缩短了训练时间,对一词多义问题处理效果显著。接着将向量表示序列输入BiLSTM网络层获取文本上下文特征,最后通过CRF层对序列特征进行标注得到最终实体识别结果。2.提出了一种分段卷积神经网络完成关系抽取任务。模型的输入内容为一个句子与其实体,将输入内容转换成表示向量后送入卷积层。在卷积层把向量分成两段并分别采用不同卷积操作,融合了句子和实体信息的模型能更好地提取文本特征。两段卷积结果拼接后输入至池化层进行降维处理,同时能获取更丰富的语料结构特征。最后通过分类器分类并输出关系抽取结果。3.在关系抽取模型中引入自注意力机制,赋予特征自注意力权重。让表述实体间关系的关键特征获得较高的权重值,降低表述错误关系特征的权重。使得模型能捕获重要语义信息,减弱语料库标注问题带来的影响,优化模型的关系抽取效果。文本使用远程监督方法获得训练数据并进行关系抽取,减弱了对人工标注的依赖。实现的命名实体识别功能在识别准确率和时间上取得了一定的进步。根据评估管道方式的关系抽取性能与其它相关模型进行对比,实验结果证明本文提出的方法在关系抽取效果上有所提升。