随着互联网信息的快速增长,每天都有大量的文本以新闻文章、研究出版物、博客、社交媒体等形式生成。这些文本中蕴含着大量的信息,从这些文本中自动提取信息成为当前研究热点。这些提取到的信息不仅可以提升人们对隐藏在大型文本语料库中的知识进行管理的能力,而且还可以用于自动问答、信息检索等应用的开发。关系抽取是信息抽取中的一项重要技术,具有十分重要的研究意义和研究价值。关系抽取任务的目的是为给定文本中的实体对指定一个正确的关系类型。在实际应用中,上下文中不存在关系的实体对即负实例的数量远远超过其他实体对即正实例的数量。本文通过对现有中文关系抽取数据集的进行分析,发现关系预测产生误差的主要原因之一是负实例与正实例之间的分类错误。此外,现有的中文关系抽取研究大多采用基于字符或是基于词的方法,这些方法存在信息利用不足或分词的错误传播问题。针对上述问题,本文提出一个融合预训练迁移策略和Flat-Lattice编码的PTF-Lattice模型。预训练迁移策略首先通过设计一个二分类任务对数据进行预训练,随后将预训练的共享层参数迁移到最终的关系抽取任务上对模型进行初始化,通过这种方式增强模型对负实例和正实例的区分能力。Flat-Lattice编码方法则将词级别的信息融合到字符序列中从而避免分词错误,同时还优化了位置编码方案以捕获输入序列中字符、词汇及实体之间的依赖关系。在关系抽取任务中,部分工作通过将实体描述信息、关系描述信息等外部知识融入到模型中以提升关系抽取的性能。考虑到这些方法简单的获取实体描述信息,通过随机挑选或是选择使用频率最高的词条信息作为外部知识进行补充,忽略了目标实体可能存在的一词多义现象。这种方式虽然简单,但是可能会为模型引入噪声,并不能起到补充信息的重要作用。因此,本文引入了实体信息融合模块,结合外部知识库与百科网站来获取目标实体的一词多义描述信息,并通过注意力机制对外部知识进行筛选。本文在三个不同领域的中文关系抽取数据集上进行了实验,实验结果验证了本文所提方法的有效性。