关系三元组的抽取,也称为实体和关系联合抽取,是一种重要的自然语言处理任务,在知识图谱的构建等方面具有重要的应用。关系三元组抽取的提出是为了从海量文本数据中提取出实体对和实体对对应的关系。然而实体和关系联合抽取任务是十分复杂的,因为关系三元组的类型是不确定的,重叠关系三元组在语料中是广泛存在的,重叠关系三元组组成复杂,因此重叠关系三元组的抽取工作一直是关系三元组抽取任务的难点。关系三元组的抽取任务可以分为两个子任务,即命名实体识别和关系分类。传统的方法,比如pipeline方法,先进行命名实体识别,再根据实体识别的结果进行关系分类,因此如果命名实体识别错误必将会导致关系分类的错误,这样就会导致错误传播问题。近些年来,为了解决错误传播问题,大多数工作都是联合抽取模型,即实体和关系同时编码和解码。但是命名实体识别和关系分类这两个子任务是相互促进和相互帮助的,因此两个子任务之间的交互对于关系三元组抽取任务是十分必要的。而当前大部分工作没有考虑两个子任务之间的交互信息,或者只考虑了两者之间单方向的交互信息,也就是说两个子任务之间的交互没有被充分建模。实体对之间的短语的语义通常是可以反应实体对之间的关系的,而当前很多工作也都忽略了这一点。针对以上两个问题,本文提出了一种包含双向交互信息和实体对之间语义特征的端到端的实体关系联合抽取模型。在模型的句子编码模块,通过引入双向循环神经网络（Bi-LSTM）、句法解析树和图卷积网络（Graph Convolutional Network,GCN）来捕捉实体对之间的语义特征。通过引入交互层,双向地考虑命名实体识别和关系分类两个子任务之间的交互性。最后在模型的解码层,得到当前句子中包含重叠关系三元组在内的所有的关系三元组。为了进一步提升模型对于关系三元组的抽取能力,本文还提出了两种模型的改进策略。一种改进策略是从模型的结构上进行改进,另一种改进策略是从多任务学习的角度进行模型的改进。本文在两个实体关系联合抽取领域的公开数据集上进行了相关的实验,实验结果表明本文所提出的方法对比现有主流模型均取得了较优的抽取效果,同时也验证了两个改进策略的有效性。