实体关系抽取是自然语言处理中一个重要的任务,命名实体识别是从自然语言文本中识别出具有特定意义的实体词,关系抽取是在实体识别的基础上从非结构化文本中抽取实体之间所存在的语义关系。实体关系抽取对语义理解、智能问答、机器翻译、本体及知识图谱的构建提供重要的支撑作用。实体关系抽取主要分为串联抽取方法和联合抽取方法:串联抽取方法,忽略子任务间依赖关系,易造成错误积累,并产生大量的冗余实体。联合抽取方法中参数共享方法未解决冗余实体问题;已有的序列标注方法未能考虑重要实体元素对关系抽取的影响。针对以上问题,本文提出实体感知注意力机制,在关系抽取时为不同实体词分配不同的权重,考虑重要实体元素对关系抽取的影响。由于远程监督方法构建的数据集存在大量噪声数据,对实体关系抽取结果产生负面影响,针对噪声数据问题,本文使用强化学习模型,删除训练数据集中的噪声数据,在无噪声数据集上进行训练提高实体关系抽取能力。本文对实体关系联合抽取方法进行研究,主要工作包括以下几个方面:(1)针对串联抽取方法忽略实体关系间联系、易产生冗余实体、造成错误累积问题,本文采用序列标注的实体关系联合抽取模型,将实体关系三元组抽取任务建模成序列标注和标签选择问题,减少了大量实体和关系两两匹配过程产生的冗余实体,本文提出了实体感知注意力模型,该模型采用端到端方法进行实体关系联合抽取,在嵌入层融合字向量和词向量信息,无需词性标注、依存句法分析等额外的特征标注。并且通过实体感知注意力机制,为不同实体分配不同的权重,考虑实体重要度信息对关系抽取的影响;(2)针对远程监督实体关系抽取数据集存在大量噪声数据问题,本文提出强化学习实体关系抽取模型,该模型由句子选择器模块和实体关系联合抽取模块组成。句子选择器模块将训练数据集分为无噪声数据集和噪声数据集两部分,并使用实体关系抽取模型在无噪声数据集上训练,提升实体关系三元组抽取性能;实体关系抽取模型通过抽取结果计算相应奖励值来动态更新策略网络参数,提升强化学习句子选择器模块筛除噪声数据的能力,从而进一步提升实体关系抽取模块三元组抽取性能。本文模型在NYT关系抽取数据集上进行实验,实验结果表明本文提出的实体感知注意力模型和强化学习模型能有效提升实体关系抽取性能。