随着互联网，特别是WEB2.0的快速发展，网络数据爆炸式增长。每天都有大量UGC(User Generated Content)网络内容产生和发布，怎样从浩大的网络数据中提取出有价值的信息，为进一步分析和决策提供依据，已经成为亟待解决的问题。开放式关系抽取技术，不限定关系类型，不受语料限制，能适用于大规模网络数据，具有领域自适应、泛化能力强等特点。在开放式中文关系抽取领域，主要存在两大问题，一是标注语料少;另一个是新的关系难以学习。本文对这两方面的问题进行了细致的分析和研究，创新性地将开放关系抽取问题划分成两个阶段，第一阶段采用学习方法确定是否存在关系，第二阶段确定具体的关系，主要的贡献点和成果如下:　　1.提出了主动学习的算法框架。为了解决标注语料少的问题，在第一阶段采用主动学习的思路，自适应不同领域语料，利用算法和人工结合的方式构造健壮模型。具体地首先选取一批种子语料，构造初始分类模型，然后采用异质模型融合样本挑选算法对未标记样本挑选，挑选出最富有信息量的样本供人工标注，然后再加入到种子语料中，如此迭代使得初始模型不断精确且能适应该语料，从而使模型准确率不断提高。　　2.提出了异质模型融合的样本挑选方法。为了挑选出最富有信息量的样本，达到标注一个，影响一批样本的效果。本文尝试将不同结构类型的分类模型应用到样本上，提出了异质模型融合的样本挑选方法。将线性模型（比如逻辑回归）、树模型(比如XGBOOST)、核模型(比如SVM)和深度模型（比如多层感知机）等结合在一起，融合不同模型的优点，形成一个强大的统一模型，从而挑选出最重要的样本供人工标注，最大程度减少标注成本。在1000个小规模样本集上的实验表明，该方法选择的10个样本的准确率和随机挑选60个样本的准确率相当，说明选择的样本具有较强的代表性，能达到标注一个，影响一批的效果，极大的释放了人工标注成本。　　3.基于远监督的新关系学习方法。确定目标句子对于某实体对存在关系后，本文将扩充标注语料的远监督的方法成功应用于新关系学习，提出了OpenDS(Open Distant Supervision)假设，对于实体对如果在句子sentence中存在关系，则语料中包含entity1和entity2的所有句子的某些关键词能在不同程度支持该关系。本文通过语料中包含实体对的所有句子对目标句子进行词语打分，最终挑选出描述关系的词语，组成最终的关系。实验表明，该方法比ZORE算法准确率高出9个百分点。　　4.构建了一套开放式中文关系抽取系统。为了实验比较，本文爬取了百度百科的词条数据，通过Infobox提取出了大量的三元组，存储在数据库中，形成了一个语义丰富的知识库。同时为了使以上算法应用落地，本文将以上三种方法集成在一个系统里，构建了一套开放式关系抽取系统。该系统能针对不同领域进行适应性学习，并能准确抽取出绝大多数关系。