现有的关系抽取方法大多使用关系分类模型,其无法有效获取文本中蕴含的新型关系。为了缓解这一问题,开放式关系抽取应运而生。这种抽取方法不需要预先定义待抽取关系的类别,能有效的发现实体间新的关系。但随之带来了两个新的问题:一是,主流的开放式关系抽取模型受制于专家“经验”的局限性,并且预处理工具会导致误差传递,影响抽取精度;二是,开放式关系抽取无法贴合领域进行抽取,抽取出的关系元组不能体现领域背景。本文基于之前的相关研究成果,提出了改进的开放式关系抽取方法,并对抽取结果进行领域识别。同时,将深度学习引入中文开放式关系抽取任务中,设计并实现了一种新的抽取思路。本课题的主要研究工作如下:（1）提出基于句法结构的中文开放式关系抽取方法,并针对语料语言结构特点归纳了 8条依存路径规则。该方法的核心是将语句的依存句法树映射到依存路径规则中,不对实体与关系之间的相对位置进行限制,深度挖掘依存路径背后所隐含的依赖语义。使用浅层句式特征对抽取出的候选元组进行过滤,提高抽取的准确性。实验结果表明,与参照模型相比F值最高提升了 4.22%。同时,使用该方法为后续基于深度学习的抽取模型提供高质量的语料库。（2）提出领域关系识别方法。目的是对开放式关系抽取的结果进行处理,识别出目标领域的关系元组。该方法的核心是利用预训练语言模型将关系元组转换为动态语义矩阵,缓解关系元组语义匮乏的问题,并使用TextCNN模型对其进行特征提取,生成关系元组的深度语义表示。实验结果表明,与参照模型相比F值分别提升了 4.5%、3%。（3）提出基于指针生成网络的中文开放式关系抽取模型,PG-CORE。该模型的核心是将开放式关系抽取任务视为文本摘要问题,并利用指针生成网络机制让模型聚焦于生成原句中的词单元。模型的训练集来源于第一项研究工作所提供的高质量语料库,让模型可以有效的捕获待抽取语句所蕴含的语义以及语言结构信息。实验结果表明,与参照模型相比在精确率上提升了 1.61%,证明了深度学习模型在中文开放式关系抽取领域的有效性以及可行性。最后,本课题还基于第一、二项研究工作搭建了面向领域的实时开放式关系抽取原型系统。使用Kafka和Canal作为中间件,将抽取结果实时从MySQL中增量更新到Neo4j中,并提供可视化界面供用户查询抽取结果。