关系抽取的目标是从非结构化文本中自动获取实体和实体之间的关系,是信息抽取的重要子任务。谓词型开放关系是指基于谓词进行关联的实体间关系,这类关系在句法上依靠谓词进行实现,在语义类别上没有关系种类的限制,是一类广泛使用的关系表现形式。因此对于谓词型开放关系的抽取具有研究和应用价值。针对谓词型开放关系抽取任务的特点,本文提出了一个两阶段方法,第一阶段是谓词型开放关系识别,即判断给定句子是否包含以谓词为中心词的关系;第二阶段是关系抽取,即从已经判断为包含谓词型开放关系的句子中抽取出该关系三元组。具体的工作成果如下。本文提出了一种使用动态池化帧卷积神经网络的谓词型开放关系识别模型。模型使用动态池化帧卷积技术,有利于自动学习和利用句子中丰富的结构特征;模型使用词向量表示作为输入,利于缓解数据稀疏问题。实验结果表明,本文提出的卷积神经网络模型的性能优于传统浅层分类器和树核特征的方法。本文还进一步考察了多种特征对模型性能的影响,实验结果表明,词性和位置特征的使用能有效提高模型性能。本文设计了一套适用于谓词型开放关系抽取任务的规则归纳方法。并基于该方法归纳得到7条关系抽取规则。针对一个句子可能被多条规则同时匹配而造成了抽取歧义的问题,本文提出了基于优先级的歧义消解方案。实验结果表明,本文设计的这些方法获得了较好的关系抽取性能。通过级联组合上述谓词型开放关系识别技术和抽取技术,本文实现了一个完整的谓词型开放关系抽取模块,并将其用于两个应用系统中。其一是谓词型开放关系抽取系统:系统的目标是从用户提供的文本片段中自动提取出其中包含的所有谓词型开放关系;其二是过程数据库系统:系统根据用户查询的人物名称,从网络文本中搜索挖掘与该查询人物存在关系的其他人物,把获得的关系三元组返回给用户并存储到知识数据库中。