我们处在信息化时代,每天都有大量文本信息产生,因此信息抽取在自然语言处理领域扮演着越来越重要的角色。关系抽取作为信息抽取中的重要研究课题,是知识图谱构建及补全过程中的关键步骤,但训练数据的获取较为困难。依据已有的知识图谱使用远程监督方法获取训练数据是一种常用的方法,然而该种获取训练数据的方法存在错误标注问题。为了解决基于远程监督的关系抽取方法中的错误标注问题,我们从以下几个方面进行研究:(1)基于最短依赖路径的远程监督关系抽取方法研究。在人工标注数据集上的关系抽取任务中,最短依赖路径拥有很好的表现。因此,将最短依赖路径引入基于远程监督的关系抽取任务中,用于消除句子中不相关词的干扰。我们使用深度学习模型对最短依赖路径进行建模,使用多示例学习或注意力机制获取实体对的关系。(2)基于特征融合的远程监督关系抽取方法研究。在获取最短依赖路径的过程中会移除大量信息,为避免在进行关系抽取时因为信息不完整而出错,使用深度学习模型将最短依赖路径与语句进行融合获得融合特征。并且基于融合特征使用多示例学习或注意力机制进行关系抽取。(3)基于强化学习的远程监督关系抽取方法研究。在使用多示例学习获取实体对的关系时,我们使用一个示例代表一个Bag,因此会有Bag信息不完整问题。在使用注意力机制获取实体对的关系时,由于整合了Bag中的所有示例,所以会在Bag信息中引入错误标注示例的信息。因此,基于强化学习构造示例选择器用于筛选错误标注的示例。将使用示例选择器筛选后的数据用于关系抽取模型进行训练,以获得更好的关系抽取模型。(4)基于远程监督的关系抽取系统设计与实现。基于web框架构建关系抽取系统,方便访问使用。通过关系抽取系统的实际使用,得到更加直观的关系抽取效果。