煤矿产业在我国经济发展中起到了中流砥柱的作用,对煤炭作为主业的能源企业来说,安全是生产之根、发展之本,安全的建设更是一项长期的、复杂的、多因素的、系统的工程。如何有效的控制风险、治理隐患,预防煤矿产业伤亡事故发生,找出其中存在的影响因素是关键点。以往的煤矿事故发生后会出现许多关于事故方面的存档信息,在这些信息中包含着许多有用的知识可以为以后的煤矿生产安全方面提供巨大帮助,但是这些未处理的经验案例杂乱无章,根本无法直接应用于未来的风险管理作业。虽然目前在煤矿事故分析领域已经有一些技术对煤矿安全工作进行研究,但是这些技术普遍都存在效率低下,落地效果不足等问题。面对领域数据增长的今天,利用人工智能方法将其应用到煤矿事故风险分析和预测变得越来越亟需。近年来随着“互联网+煤矿”的发展,利用知识图谱技术对煤矿事故进行有效分析是发展的趋势。对煤矿事故领域进行信息抽取是必不可少的步骤,而其中关系抽取技术是煤矿领域信息抽取中至关重要的技术之一。因此本文对煤矿事故领域实体关系抽取技术进行研究,重点研究采用基于注意力机制和预训练语言模型的方式从煤矿事故案例中获得煤矿事故本体的概念和概念间关系。主要研究内容和创新点如下:（1）首先针对目前关系抽取语义提取不够充分,未能同时综合考虑局部层面和全局层面因素的问题,提出了滑动窗口模型。模型由输入表征层、句子表征层、滑动窗口层、局部信息聚集层和分类层组成。其中句子表征层采用Sentence-BERT（SBERT）模型对句子进行充分的全局信息的提取,而滑动窗口层作为核心层,借鉴了CNN滑动窗口思想,采用滑动窗口机制序列化的捕捉任意部位的局部特征信息,充分的学习到句子的局部语言信息。因此本模型可以有效的提取到句子的全局信息和局部信息,解决了句子语义学习不充分的问题,大大提高了关系抽取任务的准确率。（2）其次为了支撑后期的煤矿领域关系抽取的研究工作,且目前煤矿事故领域尚未有现成的关系标注语料,构建了煤矿事故领域关系抽取语料集。本文对煤矿安全网、国家煤矿安全监察局、煤矿生产安全网、百度百科等网站发布的煤矿事故案例进行爬虫获取到原始煤矿事故文本,进行了删除无用信息等一系列预处理工作得到较为规范的煤矿事故案例数据集,进行分词分句实体标注,辅助同门完成了煤矿事故文本领域命名实体工作,在此基础上进行了煤矿事故文本领域的关系标注,构建了煤矿事故领域的关系标注语料集CMD（Coal Mine Dataset）。（3）最后针对煤矿事故领域关系标注语料集的长文本特性且目前的关系网络模型不适合进行长文本关系抽取等问题,设计了一种基于ALBERT预训练语言模型的长文本关系抽取方法ALBDRE（ALBERT-based Doc-level Relation Extract）,其利用实体掩码机制显式地融合实体标签信息,为模型提高深层次的语义信息;且采用预训练语言模型ALBERT完成本模型的编码任务,增强了长文本语义特征的提取,从而实现了长篇章文本情况下的关系抽取。通过实验验证,对ALBDRE模型的可行性和有效性进行了验证,结果表明,本模型具有较好的关系抽取性能。