针对大量半结构化和非结构化的文本信息,如何从这些信息中自动提取出结构化、有价值的信息是信息抽取的一个重要课题。关系抽取是信息抽取的重要子任务之一,关系抽取的质量直接决定了知识图谱的质量。越来越多基于深度神经网络的方法应用在关系抽取任务上并取得不错的效果,但是依然存在对实体表征的提取不够充分的问题,针对这个问题,本文对句子级别和文档级别关系抽取模型进行改进,提升模型的性能,同时围绕关系抽取模型搭建出关系抽取应用平台。论文的主要工作和创新点如下:1.在句子级别关系抽取任务中,针对基于位置注意力的关系抽取模型（LSTMPosition-Attention,LPA）中存在实体相关特征利用率低、文本结构特征和位置特征提取不充分的问题,构建一个基于BERT预训练模型,下游叠加长短期记忆网络和实体位置注意力组组合的新模型。在数据预处理时,用特殊字符标记实体位置同时用实体类型信息遮掩目标实体,充分提取位置特征和实体类型特征等潜在特征。通过在TACRED和Sem Eval 2020 Task 8上测试,实验结果表明改进后的模型性能指标要优于部分先前的模型。2.在文档级别关系抽取任务中,针对图聚合推理网络模型（Graph Aggregation-andInference Network,GAIN）使用图卷积神经网络在提取提及级别图特征时,图节点聚合时无法反映出邻接节点重要性的问题,提出利用图注意力网络对该问题进行优化,同时在提取实体特征时,利用BERT注意力机制提取实体相关上下文信息融合进实体特征,增强实体特征表达。通过在Doc RED数据集上测试,实验结果表明改进后的模型性能指标要优于先前的模型。3.围绕本文关系抽取模型,设计并实现关系抽取应用平台系统。系统利用模块化设计思想处理关系抽取模型。系统分为Web端和移动端应用系统,Web端主要实现模型管理和关系抽取等功能,移动端由微信小程序实现,微信小程序作为Web端功能的扩展,主要实现模型训练监控和模型数据对比等功能。关系抽取功能需要调用关系抽取模型实现关系分类任务,关系抽取模型封装为微服务向Web服务和微信小程序服务提供服务,同时不同服务之间实现系统数据共享,关系抽取后结果以实体对的形似保存在数据库中形成小型知识图谱。