命名实体关系是构建语义网络、本体和语义Web的基础,并且广泛应用于信息检索、机器翻译以及自动问答等系统中。在命名实体关系抽取研究中,特征选择和特征抽取是两个关键问题。位置特征拥有良好的可计算性和可操作性,同时语义特征具有较强的可理解性和现实性。目前,中文命名实体关系抽取主要采用空间向量模型、传统语义计算或支持向量机等方法。上述三种方法均是单一地使用位置特征或语义特征,没能将两种特征进行合理而有效地结合,因此抽取效果均不够理想。为了提高中文命名实体关系抽取的效果,本文提出了一种基于位置特征和语义特征相结合的关系抽取算法LaSE(Location and Semantic Extraction)。本文的主要工作如下:(1)在确保关系抽取效果的前提下,LaSE算法灵活地运用词语的词性识别命名实体,替代了传统抽取方法需要人工提供的命名实体表。一方面,这一改进大大地减少了人工参与;另一方面,词性是一个与领域无关的概念,不会引入任何领域知识。(2)本文中,采用基于词语间相对距离的信息增益来刻划位置特征,使用基于泛本体《知网》的语义相似度计算来抽取语义特征。通过位置特征和语义特征的结合,能很好地适应中文实际情况。大量实验证明:LaSE算法的抽取效果明显高于单一使用位置特征或语义特征的抽取算法。(3)LaSE算法仅需要提供少量的关系种子就能自动抽取目标关系的关系实例,是一种半监督学习算法;算法不需要任何领域知识,具有良好的领域独立性,从一个领域移植到到另一个领域时算法无需任何修改;算法具有线性的时间复杂度和较低的空间复杂度,可扩展应用于处理海量数据。