深度学习的概念一经提出,便引发了人工智能领域的发展狂潮,尤其在自然语言处理领域中,其影响极其深远。对于自然语言处理任务而言,仅依靠传统模型与数据标注结合的方法无法做到语义的精准理解。想要准确深入地理解语义,必须将先验知识融入到自然语言处理任务中。实践证明,知识指导的自然语言处理是未来发展的必由之路。随着研究的深入,知识图谱得到了广泛的应用,尽管如此,知识图谱依然面临着覆盖度不完整等问题。为了提高知识图谱的覆盖度,并为其添加更准确的知识,研究者们提出了关系抽取的方法,该方法旨在识别并抽取实体对之间存在的语义关系。当今的实体关系抽取的主流方法是依赖大规模的数据,但由于长尾分布问题是关系和实体对之间普遍存在且尚未解决的问题,使得在关系抽取问题上缺乏大量的有效数据,而训练神经网络却需要大量的有效数据,这就导致了在训练数据较少时神经网络模型的性能会受到极大的影响。因此,当训练数据较少时,可以将关系抽取视为小样本学习任务。小样本学习任务是受到人类“闻一知十”的学习能力的启发,进而可以让关系抽取模型也获得见微知著的学习能力。将小样本学习引入到关系抽取模型中,模型就能够从训练过的数据中获取有用的先验知识,并将其与新的数据相结合,最终使计算机和人类一样具有“举一反三”的能力。本文将小样本学习与关系抽取相结合,利用神经网络模型在少量的样本数据上抽取出给定实体对之间包含的语义关系。对于小样本关系抽取问题,本文添加多层级的自注意力机制对传统的归纳网络进行了改进。首先,本文提出了多层级自注意力机制,包括实例级别和任务级别的注意力机制,可以对支持集进行调整进而获取在支持集和查询集之间的高层级的信息;其次,将归纳网络和自注意力机制进行融合,采用以注意力机制为基础的动态路由算法来表示与查询集相关的类别表征,构建了Improved Induction Network with Hierarchical Selfattention Scheme模型;然后将模型应用到Few Rel数据集,并经过实验验证了多层级的自注意力机制对模型性能的影响;最后与传统的归纳网络以及其他小样本关系抽取模型进行对比,最终的结果表明本文的模型是可适应的,并且取得了良好的效果。