随着知识图谱在特定领域的研究,领域知识图谱的构建逐渐成为研究热点。然而,在一些特定领域中,由于领域专业知识较复杂,应用范围较小等领域因素,使得领域关系抽取任务缺少适用于领域的关系抽取模型以及特定领域关系抽取数据集。而且,目前特定领域积累的行业先验知识在知识图谱构建和关系抽取任务中发挥的作用是有限的。本文把从领域语料文本以及现有知识库中获取的词汇信息和三元组知识作为领域先验知识,并提出了一种结合领域先验词汇的关系抽取模型,并且以金属材料领域为例,基于领域三元组知识和远程监督标注方法构建了关系抽取数据集。本文做了以下研究工作。1)提出了一种结合领域先验词汇的关系抽取模型。在关系抽取任务中,特定的关系类别常常可以在文本语句中找到能够表达该关系类别的一系列关系描述词汇,从而通过关系描述词汇来判定关系类别。因此,本文将语料文本中与关系类别具有高度相关性的关系描述词汇作为领域关系先验词汇,并通过深度学习方法将先验词汇融合到卷积神经网络模型,辅助关系抽取模型进行关系分类任务。模型评估实验结果显示,领域先验词汇知识的应用提高了模型的关系抽取性能,表明模型能够适用于特定领域内的关系抽取任务。2)设计了一种基于远程监督的领域关系抽取数据集构建方法。针对特定领域关系数据标注的难题,设计了领域文本及三元组抽取算法来获取大量的领域文本和领域三元组知识,并通过开放信息抽取工具来抽取领域语料中的三元组知识,最后再利用远程监督标注方法对领域文本进行关系标注,从而得到特定领域关系抽取数据集。实验过程中以金属材料领域为例,构建了金属材料领域关系抽取数据集,其中包含了两万多条关系标注文本。3)针对特定领域关系抽取数据集不同的噪声类型,设计了不同的降噪优化处理方法。在构建领域数据集的过程中,由于获取的领域语料中包含非领域文本,并且远程监督方法会生成错误的标注,因此领域数据集产生了两种噪声数据:领域型噪声和监督型噪声。针对领域型噪声数据,采用了文本分类的方法来降低噪声影响;针对监督型噪声数据,采用了强化学习模型来识别错误标签。根据降噪优化实验结果得知,经过两种噪声处理方法优化后,数据集的质量以及关系抽取模型的性能均得到了提升。