随着互联网的高速发展,人类可获取的信息量呈指数级增长,如何从海量数据中挖掘有效的信息成为亟待解决的问题。信息抽取研究正是在这种情况下产生的,其目标是将自然文本中的无结构化信息进行结构化处理,以统一的形式存储,并对获取的知识进行关联融合。实体关系抽取是其中重要组成部分之一,其通过理解文本语义,抽取文本中实体之间的现实关系,形成<实体-关系-实体>三元组作为知识图谱的最基本组件。因此,实体关系抽取技术的精度与适用性直接影响了知识图谱的准确性与体量,对构建大规模知识图谱至关重要。深度学习模型促进了实体关系抽取技术的发展,但仍面临着文本数据内容分散、实体关系类别繁杂、标注工作难度大等问题。目前,常规的实体关系抽取任务主要通过远程监督(Distant Supervision)机制自动生成大量有标注数据,并利用深度神经网络模型进行端到端的实体关系分类,但是深受噪声和误标注等问题影响,导致模型训练过程中的参数更新受到错误信息影响,抽取精度降低;在生物、医疗等专业领域存在少样本学习(Few-shot Learning)场景,通常难以自动生成数据,只能利用极少量甚至个位数的实例样本,常规的深度学习模型在少样本情况下难以学习由文本到分类的多层映射,损失函数不能收敛,导致预测结果倾向于随机,无法有效应用。为了解决上述难点,本文将深度迁移学习(Deep Transfer Learning)技术引入实体关系抽取领域,依托深度神经网络模型强大的特征提取与拟合能力,并使用迁移学习方法,将在语义信息充足的任务中得到的外部知识应用到目标任务中协助学习,提升实体关系抽取模型的性能。首先,本文针对远程监督机制下的噪声场景,提出了一种基于BERT预训练模型的实体关系抽取模型(BERT for Relation Extraction,BRE),在外部语料中进行预训练,并将模型参数迁移到远程监督实体关系数据集中进行微调(Finetune)。本文提出的BRE模型构建了位置增强卷积层,以增强处理实体位置信息,将外部语料的绝对位置信息迁移到关于实体的相对位置信息中,使外部知识可以融入实体关系的判断,同时减弱噪声对真实关系属性的干扰。此外,本文还设计了时间衰减注意力机制用于多实例学习模式的降噪处理,在模型迭代的过程中按时间衰减而遮蔽低置信的实例,保留高置信的实例加权获取表示向量,以缓解误标注实例对模型参数更新的影响,提升模型的精度。BRE在NYT-10和GIDS等公开数据集中进行评估,验证了其优越性能。然后,针对少样本实体关系抽取任务中数据极度稀缺导致的模型无法收敛的问题,本文提出了基于度量元学习(Metric-based Meta Learning)的少样本实体关系抽取方法,该方法延伸了知识迁移的思想,将模型参数知识的迁移拓展为类别知识的迁移,即维护一个度量空间,设计元任务从具有足量数据的类别中学习文本实例与关系类别在空间中的匹配关系,并将通用的类别知识迁移到少样本的关系类别中。本文设计了以深度神经网络为基本框架,使用度量元学习方法训练的少样本实体关系抽取模型,称为多通路注意力网络(Multi-Channel Attention Network,MCAN)。MCAN 框架采用 多通路并行处理的方式保留更全面的信息,并引入了双目标辅助损失函数协助训练,使关系类别在度量空间中的划分更加清晰。MCAN框架在NYT-10和FewRel等公开数据集中验证了其优越性能及稳定性。