随着互联网技术的普及和大数据学科的发展,数据越来越多的以文本形式出现,如何让计算机理解文本内容,自动的对其进行处理,达到减少人工成本,提升效率的目的已成为当今自然语言处理中的重要课题。关系抽取是信息抽取工作当中非常重要的一个环节,这一环节的关键性任务就是实现自动识别各实体间的语义关系,并构成关系三元组。关系抽取有着广阔的应用前景,在大规模知识库构建,情感分析,自动问答系统等领域中起到了重要作用。在传统的关系抽取中,需要依赖于现有的自然语言处理工具,而自然语言存在灵活多变,同一种语义关系可以使用不同的语言表达,这就给传统关系抽取方法带来了难题。近年来,随着深度学习引入自然语言处理领域后,大量研究者开始使用有监督的方式处理关系抽取任务,在解决了传统方法难题的同时,也产生了其他如人工标注语料费时费力的难题,本文主要采取了弱监督的关系抽取手段,有效解决了有监督关系抽取中的问题,但由于需要从少量标注的语料中通过回标得到扩充数据,因此会产生回标噪声。同时弱监督的关系抽取方法还会产生NA噪声以及类别数据不平衡的问题。本文研究了基于卷积神经网络的弱监督关系抽取关键技术,具体工作如下:(1)首先,对实体关系抽取的应用背景和关系抽取发展历程进行了介绍,然后介绍了关系抽取中相关的理论技术基础,如卷积神经网络的相关理论和多示例学习相关理论,从机器学习的角度将关系抽取问题划分为基于无监督、有监督、弱监督的方式,比较分析了现阶段主流的关系抽取方法。(2)弱监督的关系抽取方法会产生回标噪声和NA噪声的问题,前者研究者们通常使用多示例学习的方法解决,而对于NA噪声问题,本文提出使用排序损失的方法不对其类别进行学习,从而解决NA噪声问题。(3)由于已有的标注语料中不同类别的三元组所包含的句子数量不同,从对回标数据统计分析发现,关系类别分布存在不平衡现象,对模型训练产生不利影响,我们在原有的排序损失函数中加入代价敏感,一定程度上解决数据不平衡的问题,从而提高关系抽取的准确率。