随着大数据时代的来临,海量信息以半结构化或非结构化的形式呈现给用户,如何通过文本深层分析模型向用户提供精准而有价值的信息成为研究热点。关系抽取作为信息抽取的重要子任务之一,能够对更小粒度的信息进行语义分析,为更多任务提供基础数据支持,具有较高研究价值。本文在LSTM（Long-term and Shor-term Memory Network,LSTM）模型的基础上,基于注意力机制和图卷积技术设计了两种不同的关系抽取方法,从不同的角度对模型结构进行改进。本文的主要研究内容和创新点如下:1.提出一种基于双向长短期记忆网络和注意力机制的图卷积关系抽取模型（Attention LSTM-GCN,AL-GCN）,在模型高层添加注意力机制层,结合LSTM编码器、GCN（Graph Convolutional Network,GCN）编码器的输出和句子的全局位置特征构建新的句级特征表示。由于不同的模型模块可以抽取样本不同层次的信息,引入注意力机制可以通过合理的权重分配策略,使模型关注对关系抽取贡献度更高的单词。实验结果表明,与传统机器学习方法相比,所提方法可以对长短期记忆网络和图卷积网络抽取出的不同层次信息进行有效融合。2.提出一种基于自适应图卷积神经网络的关系抽取模型（Adaptive graph convolutional neural network,A-GCN）来学习依存句法树包含的丰富语法结构关系。先前很多工作通过简单的使用0,1邻接矩阵引入句法依存树的结构信息,未有效考虑节点间不同的依存关系对关系抽取的影响。A-GCN使用节点间依存关系、节点向量表示等特征建模可学习的邻接矩阵,通过对邻接矩阵的建模来捕获不同依存关系在节点进行特征信息传播时不同的贡献度。实验结果表明,与使用简单0,1邻接矩阵的图卷积关系抽取模型相比,A-GCN模型能学习更丰富的语法特征,可以有效改善模型在关系抽取任务上的准确率。