作为信息抽取的核心任务,有效的关系抽取是信息爆炸时代的一大挑战。本文在进行关系抽取这一基础性研究时发现,现有的模型在应对长而复杂或无直接实体关系触发词的句子时,往往很难有效地抽取其中蕴含的实体对关系。而这种句子在自然语言文本中是普遍存在的,这使得关系抽取的效果遇到了瓶颈。本文深入调研并分析了国内外在关系抽取方面的研究。在融合更多更深层次信息的思路启发下,本文提出实体类型嵌入(Entity Type Embedding,ETE),并将ETE和词嵌入、位置嵌入一起作为模型的联合嵌入层,从而丰富了关系抽取模型的嵌入层表示。此外,还设计了循环分段残差网络(Recurrent Piecewise Residual Networks,RPRN)结构,该结构对深层语境下句子的潜在表示进行了不同级别的抽象,因而在面临各种复杂的大规模语料时,能够更好地学出句子的结构化表示。本文提出的基于ETE与RPRN的关系抽取模型(ETE-RPRN),能有效地提取句子中更深层次的语义信息。为了更好地评估模型,本文进行实验时采用了在关系抽取领域广泛使用的纽约时报公开数据集。然后,将本文提出的ETE-RPRN关系抽取模型与其他学者的模型从各种评估指标上进行了定量比较,并对不同模型抽取出的不同结果进行了定性分析。实验结果显示,本文提出的模型在F1、AUC等指标上胜过现有最新的模型,在应对大规模复杂语料时能提取出更多有效的关系,从而很好的解决了现存模型所遇到的上述问题。同时,抽取的关系事实是构建语义检索、问答系统等上层应用的重要基础。