关系抽取是自然语言处理领域的重要任务之一,其主要目的是解决原始文本数据中的实体之间关系的分类问题,是构建知识图谱的重要步骤。目前的关系抽取任务侧重于单个句子内的二元关系抽取,对于跨句多元关系抽取的关注较少,跨句多元关系抽取对医学等需要高精度知识的领域有着非常重大的意义。现有的跨句多元关系抽取工作中,将输入文本表示为集成句内和句间各种依赖关系的复杂文档图,图中包含的大量噪声信息会影响到关系抽取的效果。故本文针对这一问题,进行了以下两个方面的研究:1、将图状态的LSTM与注意力机制融合,在不裁剪图结构的前提下,利用图状态的LSTM获得上下文信息,再分别利用单层词级注意力机制或位置感知的注意力机制,自动聚焦在对关系抽取起到决定性作用的关键词上,降低噪声信息的影响。并且比较了两种注意力机制对使用图状态LSTM进行关系抽取的影响。通过在一个重要的精确医学数据集上进行实验,验证了提出的模型的有效性。2、提出注意力机制引导图状态LSTM的策略进行跨句多元关系抽取,提出位置感知注意力机制引导的Graph state LSTM模型,并与融合位置感知注意力机制的图状态的LSTM进行比较,分析不同的注意力机制融合策略对图状态LSTM进行关系抽取最终效果的影响。并且提出多头自注意力机制引导的Graph state LSTM模型,引入多头自注意力机制缓解神经网络复杂度,从多个特征空间并行地学习特征信息增强对文本信息的利用。通过在精确的医学数据集上进行实验,结果表明位置感知的注意力引导的图状态LSTM比融合位置感知注意力机制的图状态LSTM模型进行关系抽取时性能更佳,使用多头自注意力机制引导的Graph state LSTM比位置感知注意力机制引导的Graph state LSTM模型结构更加简单且抽取准确率更高。