关系分类在自然语言处理中是一个关键性热点问题,其对于问答系统、推荐系统和情感分类任务的构建都有非常重要的意义。如果能够有效地挖掘出文本中实体之间的关系信息,这对于关系分类能力的提升具有重要的意义。在以前的研究工作中已经表明,注意力机制和最短依赖路径方法对关系分类任务有积极的作用。为了有效结合上述两种方法的优点,本论文提出高维关键词注意力机制。它能够充分把最短依赖路径的先验知识融入到注意力机制中,这样能够抛弃大量的人工标记特征。同时高维关键词注意力机制把传统的注意力机制的维度进行扩展,使得生成的注意力权重矩阵能够自适应不同的句子,这弥补了传统机制不能挖掘句子抽象语义的不足。此外,为了有效缓解数据集中存在的不平衡分类问题,本论文提出了合成刺激损失函数。在数据集中由于大量的负类样本会干扰模型的学习,使得学习到的特征信息并不能有效预测正类样本,这容易造成模型退化。为了解决这个问题,合成刺激损失函数通过引入最高误分类分数和调节因子来提升难以分类样本的权重,这样的策略能让模型更容易学习到对分类有用的特征。由于单个模型的抗噪声能力不强,本文将互学习方法应用到模型中。这种方法使得两个学生网络进行相互引导,同时控制分类群思想的偏移性,最后基于最有可能类的后验熵来弥补单一模型特征表达能力的不足。在Sem Eval-2010 Task 8,Co NLL-3R和TAC40数据集上的实验表明,本文提出的新模型对关系分类任务具有巨大的提升,同时取得了最先进的结果。