随着互联网技术的发展,尤其是以移动互联网为代表的快速发展,使得互联网用户数量产生了爆炸式的增长,也导致互联网上产生了越来越多的数据。每天新产生的数据已经达到了艾字节（EB）级。如此多数据,其中的大部分是文本数据,使得人工处理极为困难。这些文本数据蕴含着丰富的信息,理论上有着很高的价值,但这些数据因为非结构化的属性,使得传统的计算机方法难以对其进行有效的处理及利用。因此人们迫切地需要新的方法来让计算机代替人类提取数据中有价值的信息。在这种需求下,人工智能领域中的自然语言处理技术成为了热门研究方向。自然语言处理主要包括自然语言理解和自然语言生成两大类任务。其中,自然语言理解的任务目标是让计算机有效地理解与分析非结构化数据的语义信息和主要内容;自然语言生成的任务目标是让计算机自动输出符合人类语言习惯的预期内容。信息抽取任务作为自然语言处理任务中的基础任务,是把非结构化文本数据进行结构化处理并进行结构化存储的技术,而关系抽取是信息抽取任务的一项关键子任务。关系抽取任务的目标是将命名实体间所存在的语义关系抽取出来,抽取结果通常以一个三元组来进行表示。关系抽取任务应用于许多自然语言处理任务中,例如机器翻译、知识图谱的构建与完善、基于知识图谱的问答系统、摘要自动生成等。更快的处理速度及更高的抽取质量是研究者们对于关系抽取任务的目标,也是本文的主要研究目标。关系抽取任务有机器学习方法、深度学习方法等,但在调研中发现目前的方法并未充分使用句法知识以及文本的语义交互信息。针对这两个问题,本文的主要研究内容如下:（1）针对没有充分使用句法信息的问题,提出了一种基于句法知识的双路注意力关系抽取模型。该模型通过双路注意力机制来学习从现有自然语言处理工具自动分析生成的句法知识,然后根据这些句法知识来改进关系提取的效果。具体而言,对每个输入的单词,先提取上下文特征和与单词相对应的知识,然后用两个注意力机制分别对特征和知识进行计算。最后将两个注意力机制的输出连接起来,从中提取语义关系。在此过程中,本文的模型可以将自动分析出来的知识按照其对整体任务的重要程度来进行区分,从而避免任务受到某些低层次知识的负面影响。在实验中,本文使用了三种类型的句法知识,即词性标记、句法成分和依赖关系,并在Sem Eval-2010 Task 8数据集达到了85.2%的F1值,能够适用于多数的关系抽取应用场景所需的准确度。（2）针对没有很好利用语义交互的问题,提出了一种基于孪生BERT（Bidirectional Encoder Representations from Transformers）网络的语义模型来获取实体对之间的语义交互。首先根据句子中所包含的两个实体词e1与e2将句子分成两个部分。第一部分为e1的上下文,第二部分为e2的上下文。将两部分内容输入孪生网络模型中,使用BERT对其编码,然后使用池化层对这些表示进行聚合以选择信息量最有效的语义交互,得到两部分的表示u和v。将u,v以及u与v的差值送入多层感知器进行处理,并将得到的结果送入softmax层,得到关系抽取的结果。在Sem Eval-2010 task 8数据集上达到86.5%的F1值,验证了该方法的有效性。本文使用双路注意力机制和孪生神经网络两种侧重点不同的方法进行关系抽取任务,在Sem Eval-2010 Task 8数据集上的实验结果证明了本文所提出的模型的有效性。