作为自然语言处理领域的一项关键任务,实体关系抽取受到越来越多的关注,其目的是从原始文本中获取结构化知识,得到＜头实体、关系、尾实体＞形式的三元组。提取的三元组被广泛用于知识图谱、智能搜索、电商推荐、问答系统等领域,有着重要的研究与应用价值。实体关系联合抽取利用实体和关系间紧密的信息交互,同时抽取实体以及实体对之间的关系,很好地缓解了流水线方法所存在的错误传播等问题。中英文由于语言之间的差异性,在实体关系抽取过程中所面临的问题也会不同。对于英文,一些实体关系抽取方法往往只是提取句子序列或语义信息,却没有很准确地捕捉到句子与关系之间的相互作用。对于中文而言,词信息比较关键,而一些方法常存在错误词信息引入的问题,影响了后续的实体关系抽取。同时,很少有方法对关系方向性进行判断,关系方向性判断对实体关系抽取方法的性能提升是有帮助的。而中英文共同面对的问题,那就是如果一句话中有多个关系三元组,多个三元组中的实体或实体对可能会存在共享的情况,进而存在抽取不完全的情况。针对以上不足,本文研究基于注意力与门控机制的中英文实体关系联合抽取方法。主要包含以下几个方面的工作:1、介绍与本文相关的理论基础。主要介绍激活函数、注意力机制、门控机制、卷积神经网络等深度学习方面的相关理论知识以及一些实体关系联合抽取的理论基础。2、给出一种基于注意力与门控机制的多层语义融合的英文实体关系联合抽取算法MSF＿AGM。为了更准确地捕捉句子和关系之间的相互作用,我们设计了一个UMIT单元,该单元将句子中所有的token依次与每个关系标签进行注意力计算,然后结合门控机制来更新所有token的向量表示;类似的,将所有关系标签依次与每个token与进行注意力计算,结合门控机制来得到关系标签向量的更新表示。然后,将UMIT单元堆叠多层,多轮更新token以及关系向量。最后,将每种关系类型下的句子表示单独解码,解码出每种关系下句子中存在的实体对。本算法使用端到端架构共享全部参数,通过序列标注的方式提取头尾实体,得到实体关系三元组。为了验证算法的有效性,进行了实验对比,实验结果表明,本文给出的MSF＿AGM算法比经典算法性能更好。该算法在NYT与Web NLG数据集上的F1值分别达到了86.0%与84.5%,与较好的经典算法PRGCLSTM相比,在两个数据集上的F1值分别高出了1.1%和3.7%。3、给出一种基于注意力与门控机制的词信息融入的中文实体关系联合抽取算法PR＿AGM。该算法在BERT提取字符特征信息的基础上,将不同分词工具得到的不同粒度的词信息通过注意力机制融入到字符特征中。同时通过注意力机制,将不同关系类型信息分别融入到句子表示中,再经过门控机制调节关系信息融入程度。接着,加入方向性预测,过滤掉错误实体对,以提升模型预测能力。在解码时,对不同关系类型下的句子向量表示,分别进行实体抽取,得到不同关系下句子中存在的实体对。为了验证算法的有效性,进行了实验对比,通过实验结果表明,本文给出的PR＿AGM算法比经典算法性能更好。在中文数据集上的查准率、召回率及F1值,该算法分别达到了80.9%、82.9%和81.7%,与效果较好的经典算法相比分别提高了1.4%、2.2%和1.6%。经过对比实验验证,在基于注意力与门控机制下,本文给出的多层语义融合的英文实体关系联合抽取算法MSF＿AGM重点关注句子与关系之间的相互作用,能较好应对英文语料中的实体重叠问题,有不错的性能改进。同时,本文给出的词信息融入的中文实体关系联合抽取算法PR＿AGM在对中文语料进行实体关系抽取时也有不错的性能提升,并且能减少错误词信息引入以及缓解实体重叠问题。从而,为自然语言的下游任务提供更好、更多帮助,可以推广应用到相关领域。