信息抽取是自然语言处理的关键技术。作为信息抽取最基本的任务之一,关系抽取的主要目的是抽取或识别出文本中实体间的语义关系,难点在于如何利用句子结构和解决特征稀疏问题。句子的结构信息能帮助理解句子含义,但是神经网络不能很好地对句子结构进行建模。另外,由于句子通常只包含少量的词语,特征稀疏问题非常严重。为了解决这两个问题,在传统基于浅层模型的关系抽取方法中,主要采用组合特征、核方法和句法解析获取句子中的语义信息和结构信息,而在深度学习模型中,则广泛采用基于位置嵌入的方法。本文结合关系抽取的特点,提出一种基于多通道神经网络的关系抽取方法。该方法分别从词表示和语义依赖两个维度将神经网络划分为多个通道。在反馈学习中,每个通道独立调整模型参数,从而获得相同词的不同语义表示和句子的多维度语义依赖,从而支撑实体关系抽取。本文的创新点分以下两个部分:(1)提出基于多通道的词表示模型:该模型利用句中固定存在的两个实体将句子分段,每段作为一个通道单独进行词嵌入,经过深度卷积神经网络进行特征提取后,训练出句中相同词的不同表示信息,将句子结构通过词向量的差异表示出来。该模型另辟蹊径,从词表示的角度获取了句子的结构信息,在Sem Eval 2010数据集上证明该模型明显优于其他使用位置嵌入和解析树的模型。(2)提出基于多通道的语义依赖模型:该模型通过使用多个不同隐藏层的长短期记忆模型单元,结合注意力机制,能提取到不同粒度的带语义依赖信息的全局特征,并在ACE 2005中文数据集上取得71.6%的F值。