知识图谱是组织和管理数据的重要手段,目前已经广泛应用于搜索引擎、问答系统和推荐系统等领域,正在给各行各业赋能。人工构造知识图谱,虽然精度很高,但效率极低,且要耗费大量的人力、物力和财力。如何自动高效的构建知识图谱是核心难题,关系抽取技术是解决这一问题的有效手段。关系抽取是指从文本中自动挖掘出关系三元组,挖掘出来的关系三元组可以用来构建和补充知识图谱。互联网上的文本浩如瀚海,但很多文本不规范,信息量极少,本文旨在从较为规范的新闻文本中自动高效的挖掘出大量关系三元组,用来扩充现有开源知识图谱。基于传统机器学习的关系抽取技术,需要人为设计大量特征,费时费力,而且由上游的自然语言处理工具所造成的错误会引起错误传播。深度学习可以从文本数据中,自动学得对当前任务有效的特征。本文展开基于深度学习的关系抽取算法的相关研究,并且设计和实现了面向新闻网站的关系挖掘系统。本文首先阐述了关系抽取的研究意义和国内外研究现状,然后介绍了深度学习的基本原理以及卷积神经网络(Convolution Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)这两种常用于自然语言处理的神经网络模型,并且简单的介绍了自然语言处理中的词向量技术。详细的介绍了中文关系抽取和英文关系抽取所面临的困难的不同,针对目前神经网络在中文和英文关系抽取所存在的缺陷,在中文和英文上设计了对应的以Transformer为主编码器的关系抽取模型。本文的主要贡献如下:1.针对卷积神经网络在关系抽取上无法捕获远距离特征的问题,以及长短期记忆网络无法并行化的问题,根据中文关系抽取和英文关系抽取各自的特点,分别设计了以Transformer为主编码器的关系抽取算法。Transformer通过自注意力机制能够有效捕获远距离特征,而且在计算过程中不需要逐步计算,能够通过矩阵计算实现高度并行化。在中文关系抽取和英文关系抽取上做了大量实验,验证了模型的有效性。2.针对标记语料不足的问题,提出使用半监督学习中的self-training方式迭代训练神经网络模型。不断的从网络上抓取新闻文本,使用现有模型从新闻文本中提取关系三元组,将预测度较高的新闻文本填充到训练集中,从而扩大训练集规模,提高模型性能。3.将对抗训练技术适配到中文和英文关系抽取模型中,对抗训练通过对输入数据增加微弱的随机噪声构造对抗样本,模型在对抗样本上训练。不仅提高了模型效果,而且增强了模型的鲁棒性,有效的减弱了半监督学习中所带来的噪声问题。4.根据对中文关系抽取和英文关系抽取的研究结果,设计和实现了同时支持中文和英文的面向新闻网站的关系挖掘系统。此外,该系统支持上下位关系这种特殊关系的抽取。