关系抽取(Relation Extraction,RE)是信息抽取(Information Extraction,IE)的重要组成成分,一般指的是利用信息抽取技术从序列中抽取实体对之间的语义关系。当前语义关系抽取领域中还存在多种有待解决的问题,例如限定域语料的获取和预处理、从限定域到开放域、远程监督的错误标注问题等等。因此,解决语义关系抽取任务中存在的问题依旧是研究者们研究的课题。本文对有监督的语义关系抽取模型以及不平衡学习进行了研究,提出了基于双向Transformer编码器及分段卷积的关系抽取算法和基于不平衡学习的关系抽取算法。本文的主要研究内容以及成果如下:(1)针对基于有监督的语义关系抽取任务所存在的问题--提取精度有待提高,本文提出了一种利用预训练Bert语言模型和分段卷积池化操作来进行关系分类模型。由于经过预训练的Bert模型能够捕获序列的内部依赖信息,本文也使用该模型来获取序列的语义表示。本文利用分段卷积池化操作从剩余噪声语料中获取对抽取结果有影响的语义信息。最终模型的评估指标F1值达到了 89.77%,比基线模型提高了 0.25%。(2)本文从多个角度研究了不平衡学习,最后从算法级方法和数据级方法提出了基于不平衡学习的关系抽取解决方案。针对算法级方案,本文提出了焦点损失函数来代替传统交叉熵损失函数,最终模型的评估指标F1值达到了 89.95%,比基线模型提高了 0.7%。针对数据级的方案,本文提出了数据增强方法来扩充数量极少类别,最终模型的评估指标F1值达到了 89.81%。(3)本文为了验证关系抽取模型的性能和可移植性,同时在SemEval 2018Task8数据集上进行了四组对照实验。SemEva12018 Task8数据集是第一个标注恶意软件报告的数据集,并且利用MAEC标注了 84篇APT报告。最终实验效果非常明显,F1值获得了 99.52%,说明了本文模型的迁移性。