关系抽取作为信息抽取领域的重要研究课题，也是自然语言处理的任务之一。为了避免海量数据标记带来的人力和时间的消耗，远程监督关系抽取被提出来从非常大的语料库中提取事实关系。远程监督关系抽取假设如果在知识库中的两个实体存在某种关系，那么所有包含这两个实体的句子都表达了这种关系。这种强制性的假设会引入错误的标记，导致关系抽取性能的降低。
　　目前主流的远程监督关系抽取方法通常采用深度学习的方式来进行特征提取。在此基础上，通过各种注意力机制，模型去噪，融合外部信息，关注重叠关系等方式改进模型，提升整体模型识别噪音的能力。也有工作从句子结构本身出发，在提取特征这一步通过降低句子内部噪音来提升整体模型性能。但目前的远程监督关系抽取在特征提取时仍旧没有充分考虑实体对在句子结构中的影响，这对特征提取时所能利用的文本语义和结构信息有限。另外，由于远程监督导致的标签噪音问题，因此需要在关系抽取时考虑模型的鲁棒性。
　　针对实体对在句子中的结构信息没有被充分利用的问题，本文提出了融合句子分段特征的远程监督关系抽取模型。该模型将序列特征分段，采用平均池化的方式得到句子分段后的全局信息并将其融合到所属分段中，增强了单词的局部表示。这种融合方式考虑了实体对在句子中的结构信息，增强了句子分段后的上下文特征表示，丰富了文本中序列特征的结构信息和其他潜在信息。
　　针对远程监督带来的噪音数据影响模型性能的问题，本文提出了引入迁移学习的远程监督关系抽取模型。由于随机初始化参数的方式影响模型训练的效率和效果，该模型利用迁移学习从源任务获取粗粒度的划分关系的先验知识，将共享参数初始化给目标任务，提升目标任务细粒度地划分关系类型的性能，增强了模型在低质量语料库中关系分类的鲁棒性。
　　本文在一个广泛使用的数据集NYT上进行实验，实验的结果表明，上述两种模型在三种常用评价指标上均优于基线模型，表现结果更好。