随着互联网时代的到来,大数据技术应运而生,这标志着我们迈入了一个无处无时都要接收信息的时代。然而如何从中获取出有用的信息,将这些半结构化或非结构化的数据转化为机器可以理解、学习以及储存的结构化数据显得十分重要。关系抽取的核心思想就是对句子文本中给定的实体对间的关系进行分类,因此在自然语言处理领域起着不可忽视的作用。处理关系抽取任务的研究方向之一就是利用依存树中所包含的丰富的结构信息。事实证明,这些信息对于关系抽取非常有用。然而,如何在有效利用依存树中句法关系的同时又可以忽略其中无用的信息依然是一个充满挑战的问题。现有的方法大多是利用预先定义好的剪枝策略来有选择地保留部分依存结构,但事实上这种基于规则的硬修剪策略很大程度得降低对依存树的信息使用率,并不能总是产生最佳效果。因此,我们提出了基于注意力引导的图LSTM网络模型（AGGLSTM）,这是一个将完整的依存树结构输入到神经网络的新颖模型。本文的模型在处理依存树时是利用了多头自注意力机制将原始依存树转化成完全连通的边加权图,这相当于是一种软剪枝策略,使得模型在挖掘依存树中的有效信息的同时过滤掉无用的信息。基于图的LSTM神经网络将输入向量转化为文档图,整合所有句子内和句子间的依存关系,可以自动学习如何有选择地关注对关系抽取任务有用的相关子结构,并且在不会丢失信息的情况下可以并行地对句子中的每个单词进行建模和学习,在消息传递的过程中循环地丰富单词的状态值。每经过一轮状态转换,单词都会把信息传递给与自身有依存关系或者直接相连的单词。在多轮状态转换步骤后,每个单词都能捕获到更多的上下文信息。本文的模型在同时结合依存树中局部与非局部的依存特征后,进一步抽取关键信息;最后,将关键信息输入到分类器后可以得到关系类别标签。现有对关系抽取任务的研究大多集中在单个句子的2元关系,虽然取得了足够优秀的成果,但单个句子有时无法提供丰富的歧义语境,导致在一些例如生物医药等高价值领域的表现不够出色。因此本文的主要研究对象主要是对包含多个句子的实例进行跨句子2元或是多元关系抽取。实验表明,本文的模型在跨句子n元关系抽取任务中能够更好地利用依存树中的结构信息,取得更好的分类效果。并且我们的模型在干扰项诸多的情况下,比如减少句子长度、减少最大邻居数这些情况下,也有着比其他模型更好的表现结果。