随着互联网资源的爆炸式增长,如何从大规模无规则数据中提取所需关键信息成为亟待解决的问题。关系抽取任务能够从非结构化的数据中抽取得到满足用户需求的结构化数据,其主要是从文本中抽取由头实体、关系和尾实体构成的关系三元组,从而对知识进行直观描述。关系抽取是知识图谱、智能问答和文本摘要等任务的基石,具有良好的发展前景。随着深度学习方法的不断应用,关系抽取取得了一定的进展,但其仍然存在关系重叠和F1值不够高的问题。针对以上问题,提出了基于Bi Mogrifier LSTM和多头注意力机制的序列标注关系抽取模型,通过序列标注方法来实现联合关系抽取,同时完成命名实体识别和关系分类两个子任务。工作内容主要包括以下几个方面。1.针对长短期记忆网络在关系抽取任务中提取特征时所存在的缺少上下文交互的问题,采用Mogrifier LSTM对长短期记忆网络进行改进,让当前输入和上文进行多轮交互,从而增强上下文信息交互能力。提出Bi Mogrifier LSTM来捕获输入序列的双向长期依赖,同时利用经过信息交互的前向和后向Mogrifier LSTM来建模上下文信息。通过对比实验证明引入Bi Mogrifier LSTM后,关系抽取效果有明显提升。2.针对传统循环神经网络运算过程中只提取全局特征,无法突出上下文中关键信息的问题,采用多头注意力机制从不同的空间给文本中重要信息赋予更高的权重,从而增强了提取局部特征的能力。采用Bi LSTM-CRF序列标注模型,既能捕获句子的双向依赖,又可以考虑标签之间的顺序依赖,从而提升解码的准确性。通过实验证明,所提方法较其他主流模型取得了较高的F1值,同时缓解了SEO和EPO关系重叠问题。3.根据以上研究内容,设计并开发一个基于BiMogrifier LSTM和多头注意力机制的序列标注关系抽取原型系统,将其应用于新闻领域。