关系抽取是自然语言处理的关键基础任务之一,其目的是从自然语言文本中识别出两个实体间所存在的语义关系。目前关系抽取方法主要分为有监督、无监督和远程监督三种,其中,远程监督基于“包含相同实体对的句子都在表述实体对在知识库中的对应关系”的假设,解决了人工标注语料费时费力的问题,成为关系抽取的重要研究方向之一。虽然远程监督可以快速获取大规模语料,但是却不可避免的产生错误标注问题。多示例学习的引入和深度学习的应用虽然在一定程度上解决了远程监督的强假设带来的问题,但是已有研究方法仍存在一些不足:1)缺乏过滤句内噪声的有效手段。句中并非所有单词都与实体相关,不相关单词显然会产生噪声特征。虽然引入依存句法树可以在一定程度上缓解此问题,却破坏了句子的结构信息和完整性;2)忽略了包内句子间的关联性。由于包内句子包含相同的实体关系对,所以它们或多或少存在一定的关联。而目前大多数研究却忽略了这一点。针对以上问题,本文提出了融合门控机制和句子关联性的远程监督关系抽取模型,使用门控机制对句内不相关特征进行过滤,同时通过建模句子关联性来分配更合理的句子权重,以此来获得更有效的包级别特征表示,进而提升关系抽取性能。本文的主要创新点和贡献包括以下几个方面:(1)提出融合门控机制的关系抽取方法。针对远程监督句内特征的噪声问题,本文定义了一种新的卷积运算作为门控机制,进行句内特征的过滤,同时引入软标签机制,作为监督信号加入门控机制内,使模型更关注与实体相关的特征,避免远程监督中噪声标签对特征提取的负面影响。(2)在分段池化层引入注意力机制。为分段池化后的向量分配不同的权重,使得模型重点关注包含较多有效特征的部分,从而在语义层面对句子中的特征进行了过滤,进一步避免了不相关特征对模型的负面影响。此外,本文同样将软标签机制应用到注意力机制中,使模型更关注实体本身,而非其他部分。(3)针对现有研究忽略包内句子间的关联性的问题,提出基于句子关联性的远程监督关系抽取方法。通过对句子关联性进行建模,为包内句子分配合理的权重,以此获得包级别特征表示。另外,为了得到更优的包级别特征,本文在测试阶段对句子中最有效的特征进行了整合,在句子层面上实现了不相关特征的过滤。本文在公开的数据集上进行实验,实验结果表明,本文提出的模型性能明显优于所有基线模型,取得了0.49的AUC值。此外,本文通过设置对比实验,验证了门控机制对句内噪声特征过滤的有效性,以及融合句子关联性的重要性和有效性。