随着大数据时代的到来,海量的信息以半结构或者原始文本的形式存在于网络中,如何将其中的信息以结构化的形式储存是当前亟待解决的问题。知识图谱作为结构化的语义网络被广泛用于自然语言处理中,关系抽取可用于文本中实体对之间语义关系的识别,在文本的语义理解和知识图谱的构建及完善中发挥着重要作用。基于神经网络的关系抽取方法是当前关系抽取的主流方法之一,它可降低传统自然语言处理中特征工程的复杂性,减少错误传播,在实际应用中取得了较强的效果与泛化性。结合词分布的向量表示和深度残差网络,本文开展了关系抽取方法的研究工作,本文的主要工作如下:1.提出了一种融合词语义信息与词位置信息的词分布模型。首先,结合二维高斯分布拟合单词的位置集合,用于文本的相似度计算,在此基础上,给出了融合词语义信息与词位置信息的词分布模型;其次,通过计算各个类簇间的高频词与类簇间的相似度,提出了句子级的词分布向量表示方法;最后,通过计算单词与各个类簇间的相似度,并结合关系文本聚类,提出了单词级的词分布向量表示方法。实验结果表明:在远程监督数据Wiki和NYT上,本文提出的结合词分布模型的单词级向量方法比文献中的方法具有更好的效果。2.提出了一种基于深度残差网络的关系抽取方法。首先,结合多尺度骨干架构(Res2Net),在深度网络的残差单元结构中使用分层层叠的特征组(Scale),取代了通用卷积层,扩充每个网络层的感受野范围,实现了不同粒度级别的多尺度特征表示;其次,融合挤压激励模块(Squeeze-and-Excitation Networks),在残差网络中通过机器学习的方式自主获取各个特征通道的重要程度;最后,结合句子级的注意力机制(Attention),在远程监督的数据集上减弱噪声影响,提高了关系抽取效果。实验结果表明:在NYT数据集上,相比文献中的方法PCNN+ATT、CNN+RL等方法,本文提出的方法取得了较好的效果,提高了远程监督关系抽取的Top-K准确率。