随着大数据、人工智能等技术的快速发展,数据驱动下的智能化浪潮给金融业的发展带来了新的创新机遇和商业模式。目前,金融领域每天都会产生大量不同形式的互联网文本数据。如何准确、高效地挖掘这些金融文本中的重要信息,以提升金融服务效率是金融智能化面临的一个关键问题。本文主要研究金融信息挖掘中的核心任务-实体关系抽取任务。该任务的目标是从文本数据中识别出金融实体,并判断实体间存在的语义关系。通过对实体关系抽取方法进行调研,本文从管道式和联合式实体关系抽取两个方面进行探索,分析现有工作存在的不足和缺陷,有针对性地提出相应的改进方法,以此来更好地提升实体关系抽取任务的性能。具体来说,本文主要贡献有以下几个方面:1.对现有的管道式和联合式实体关系抽取方法进行调研,整理和总结相关方法的研究现状,分析现有工作存在的不足与缺陷。2.在管道式实体关系抽取方面,针对模型语义关系信息利用不充分问题,提出一种基于实体子序列增强与实体依赖注意力的关系抽取模型,该模型通过进一步单独编码输入句子的实体间子序列来增强其对实体子序列信息的关注和利用,并保留原始长句信息;在模型特征融合层引入实体依赖注意力,引导模型更多地关注与实体相关的重要语义信息,提升关系特征的分类能力。实验结果表明,在SemEval-2010 Task 8公共数据集上本文模型取得了较当前主流模型更好的性能,在金融关系数据集上相对于基础模型F1值获得了将近2%的提升。3.在联合式实体关系抽取方面,针对模型噪声问题和关系特征表达缺陷,提出一种基于损失优化与子序列表征的多头选择联合抽取模型,该模型通过两种损失优化策略共同作用的方法,降低实体识别中存在的类别不平衡和实体漏标等噪声问题的影响;在关系分类层,除了使用实体编码信息以外,引入实体子序列表征信息来进一步加强关系特征表达能力。实验结果表明,在CoNLL04公共数据集上本文模型性能明显优于当前主流模型,在金融关系数据集上相对于基础模型overall F1值获得了将近4%的提升。