随着电子计算机计算能力和互联网的高速发展,人工智能迎来了第三个发展浪潮。在国家推行的人工智能强国政策的积极鼓励下,人工智能互联网教育成为了下一个风口,催生了许多互联网教育企业。然而互联网教育将线下课堂搬到了线上,并不能从根本满足受教育者个性化教育的教育诉求,因此研究者开始探讨能否使用人工智能技术构建全自动化的教学系统,为每个受教育者提供定制化的教育内容。数学学科凭借着自身严密的自然语言风格成为智能教育发展首先试点的领域,在这种需求的驱动下探求计算机是否具备理解并处理由自然语言描述的数学问题的能力成为自然语言研究者所关注的热点。使用自然语言处理技术让计算机能做到理解数学自然语言是实现数学问题自动求解的基础。当前在自然语言领域普遍使用信息抽取技术实现非结构化的知识转化为结构化的知识表示,而实体关系抽取任务是信息抽取技术的核心。本文先通过探讨自然语言处理领域各类关系抽取技术,分析了其技术特性,并通过在分析总结了现有关系抽取模型的基础上,结合量子力学理论提出了使用复数词嵌入与位置编码相结合的关系抽取模型QRE。该模型基于量子叠加态理论使用复数词嵌入表征输入句子,使用位置编码与实体上下文信息表征实体信息,通过投影矩阵得到语义的密度测量。通过分别与使用CNN和GRU单元的关系抽取模型在SemEval 2010 Task8数据集上进行测试对比,证实了QRE模型在词汇总量较低的领域自然语言任务上有较多的优势。之后针对初等数学知识体系与初等数学自然语言的简练、准确等特性构建了适用于初等数学自然语言特点的谓词逻辑表示。进一步,针对基于模式匹配的关系抽取方法需要高昂的模式维护成本问题,本文将提出的量子神经网络模型与传统基于模式匹配的关系抽取算法相结合,提出了按句子实体个数进行关系分层抽取的方法,并在初等数学实体关系自动抽取任务上得到了实现。通过该方法测试了平面几何,立体几何,函数,集合,数列5种初等数学题型,平均题型的识别准确率能够达到80%以上,具有较好的实用价值。