互联网技术发展日新月异,网络数据也增长迅速。面对海量的、形色各异的数据,人们疲于主动挖掘得到精细的有效信息。信息抽取旨在从非结构化文本中自动地提取出结构化的数据。其中一项关键技术便是关系抽取,它能够抽取一段文本中两个客观实体和其蕴含的关系事实,进一步组织为三元组形式的结构化知识,为知识图谱的构建和自动问答等下游任务提供了基础数据。关系抽取一般可分为两个子任务:实体识别和关系分类。实体识别是从文本中自动识别所有命名实体,关系分类是在指定任意两个实体后,预测这对实体对的语义关系。研究者一般将关系抽取视为一种特殊的文本分类任务进行处理,任务的输入是一段文本和指定的实体对,输出为实体对蕴含的关系,一般采用监督学习的范式训练模型。而监督学习,尤其在深度学习时代,对样本数据规模的要求非常高,人力时间成本极高的人工标注方案难以应付,数据受限成为制约关系抽取发展的挑战之一。针对关系抽取任务数据受限的问题,远程监督通过启发式将知识库中存在的事实三元组与大量非结构化文本进行对齐,实现了大规模的自动化标注,使模型能够利用充足的数据进行训练。然而,这种假设极强的方法不可避免地引入标注噪音。目前的降噪方法主要是对错误标注样本进行抑制或直接剔除,然而并未考虑到充分利用样本本身的有效语义。虽然远程监督在一定程度上能缓解数据匮乏的问题,但仍然有大量长尾的关系类别不具备足够的样本。并且客观世界是不断发展的,新出现的关系往往也只有极少数样本。而小样本学习范式致力于让模型基于少量的训练样本取得同等的泛化性能。然而现有的基于度量学习的方法存在着明显的局限性:一是模型未明显区分相同类内和不同类间的样本关联的差异性,导致样本交互不合理、不充分;二是由于语言具有多样性,少量样本具备的语言特征不明显,表达能力不充足,导致模型难以作出可靠的度量与分类。针对以上存在的问题,本文针对数据受限下的关系抽取任务展开了研究,主要工作有:从数据增广的角度,提出了一种基于强化学习和半监督学习的关系分类模型。该模型能够通过强化学习鉴别远程监督标注的带噪音数据集中的样本是否标注错误,把正确标注和错误标注的数据分别当作有标注数据和未标注数据,再通过半监督学习训练关系分类模型,以此达到修正错误标注数据,充分利用噪音的目的。从样本交互的角度,提出了一种多层交互的原型网络模型。该模型对相同关系类别内所有样本进行传递与聚合,得到融合了类内样本信息的原型表示。然后对不同关系类别的原型进行传递与聚合,捕获类间样本信息。通过多层迭代增强样本之间的交互,更深层次地学习到样本之间丰富的关联信息,从而提高模型性能。从外部知识引入的角度,提出了一种知识感知的原型网络,在原来的原型网络基础上,引入实体描述和关系描述等外部知识,关系描述一方面解释了属于该类关系的样本上下文所具备的语义,另一方面也说明了属于该类关系的实体对所具有的特有属性。利用关系描述同时提取样本上下文和实体描述中重要的信息,增加了样本特征信息量,提高了样本的表达能力,使其得到更可靠准确的度量和分类。本文围绕关系抽取任务面临数据受限的挑战延伸出来的相关问题展开研究,从不同的角度基于合理的研究动机提出改进模型,并在相应的数据集上进行严谨实验和分析比较,证明了所提模型的有效性。