随着互联网的迅猛发展与普及,通过网络获取想要的信息和服务日益融入到人们的日常工作和生活中。如何从海量、芜杂的网络数据中快速发现有用的信息和知识,具有重要的研究价值,同时也极具挑战。实体与关系抽取技术能够识别非结构化文本中的实体,并判断两个实体之间的关系,从而得到结构化的三元组知识,是实现信息和知识获取的重要途径之一,在知识图谱构建、信息检索、对话系统、推荐系统等领域有着广泛的应用需求。目前的实体关系联合抽取的研究主要存在着三个问题:1)多数只关注如何从文本抽取出互不交叉的若干个三元组,然而,实际上文本中不同三元组之间往往存在复杂的实体重叠或者关系重叠,导致现有的诸多研究不能应用于复杂的三元组抽取任务;2)对于文本中存在多个三元组的情况,现有的研究工作往往依赖于多次反复抽取,导致效率较低;3)实体识别和关系分类两个子任务如何联合建模还需要进一步探索。针对上述三个问题,本文提出了一种多关系多实体对联合抽取模型。具体地,模型首先采用循环神经网络对文本进行编码,作为关系抽取与实体对预测共享的文本表示;接着,为每个关系类型建立一个二分类器,一次抽取出文本中的所有关系类型,并得到关系标签的向量表示;最后,采用融入关系信息的“三元组”注意力网络和指针网络,为给定的关系向量生成所有可能的实体对。基于此,本文提出的模型可以有效地同时抽取多个三元组知识,包括具有关系或实体重叠的三元组知识。为了验证上述模型的有效性,本文在两个英文数据集(NYT和WebNLG)及一个中文数据集(SKE)上进行了实验。结果表明,本文的工作在三元组抽取的整体F1值上均优于其它对比模型,特别地,在同时抽取多个重叠的三元组时,本文提出的模型能显著提升实体与关系抽取的性能。以此为基础,本文搭建了一个基于web的实体与关系联合抽取系统,为用户提供了可配置的图形化界面。