实体关系抽取是信息抽取技术的重要组成部分,它可以从非结构化文本中抽取出重要的结构化信息,知识图谱、推荐系统、对话问答系统等都涉及到对实体关系抽取技术的运用。虽然传统的实体关系抽取技术发展很成熟,有各种模型方法被提出,但是依然存在一个问题,那就是模型的迁移性能不够。传统模型只能识别训练集中出现的关系类别,对于训练集之外的关系类别是无法识别的,而本文的主要目的就是为了解决上述问题,提升实体关系抽取模型的迁移性能。本文主要通过神经网络联合关系向量空间的方法来抽取实体关系,模型总体分为三个部分,第一部分是BiLSTM+attention神经网络,作用是为了得到能够充分表达输入语句语义信息的向量表示;第二部分是关系向量空间,它不仅包含训练集中出现的关系类别还包含其它新的关系类别,本实验就是为了探究模型对关系向量空间中新类别的识别能力;第三部分是一个三层的全连接神经网络,它的作用是为了将第一部分得到的向量表示映射到关系向量空间中,与关系向量空间中的各种关系向量做距离运算,最后选择距离最近的关系向量作为输入语句的关系类别。在实体关系抽取任务中,传统模型能够识别的关系种类严重依赖于训练集中关系种类的数量,若想让模型识别新的关系类别,则必须将新类别的标注语句加入到训练集中,但是在自然语言处理任务中标注数据集的获取是很困难的。而本文提出的方法可以减少模型对标注数据集的依赖,论文最后得出的实验结果也表明此方法的有效性。