信息抽取是自然语言处理领域特别重要的子领域,是将非结构化文本信息中自动提取转换成结构化数据的过程。而信息抽取中的关系抽取又是关键的子任务,是承前启后的重要一环,其任务是抽取实体之间的语义关系。随着关系抽取研究的不断深入,各方学者不断创新地提出各种先进方法应用于关系抽取,抽取的性能也在不断提高。而根据实体数量的不同,分为了单实体对关系抽取和多实体对关系抽取。本文主要研究单实体对和多实体对的关系抽取。在单实体对的研究中,针对词向量的单一表示方法和语义关系的缺失问题,提出了基于依存关系和多种词向量的神经网络关系抽取模型,将经过依存分析的语句使用Word2vec和GloVe两种不同的词向量模型表示,再分别与依存关系进行拼接,作为双通道卷积神经网络的输入,最后得出关系抽取结果。本文在中文百度百科和维基百科抽取的数据集上进行实验,实体结果表明,在使用多种词向量和依存关系的情况下,F1值比CNN、CR-CNN高了近2.1%和0.7%,证明了其有效性。在多实体对的研究中,针对句子中出现的多个实体对和实体关系,将句子构造成一个全连接图。实体代表图中的节点,实体对的上下文代表节点之间的边,并对实体对上下文表示进行优化,添加了子语句抽取模块,然后将得到的实体图使用路径聚合算法得出实体对之间的关系表示,最后送入分类器得出关系抽取结果。本文在数据集ACE2005上进行实验,实验结果表明,在添加了子语句抽取模块的情况下,F1值比原模型提升了近1.3%,证明了子语句抽取模块的有效性。图28表13参85