在人工智能领域,很多技术的发展都需要关系分类的技术支持,最近,深度学习被越来越多的应用到基于文本的实体关系分类任务,但是之前的方法大部分需要使用句法或依存等结构特征,然而结构特征由于句法解析的时间和空间复杂度太高,导致预处理阶段直接使用很不方便,另外结构特征可能具有严重的领域依赖问题。本文提出了一种基于上下文感知的双向长短时记忆循环神经网络模型来处理关系分类,主要动机是实体对的关系类型可以显式地通过实体对以及实体对周围的上下文来表示。在整个模型中,首先使用双向长短时记忆循环神经网络对存在关系的句子序列执行双向循环计算获得句子的向量序列,然后根据每个单词在句子中出现的位置顺序把向量序列分成五部分,并使用标准的池化函数分别进行池化,最后把池化后的向量进行级联放入softmax中进行关系分类。为了避免使用结构特征,本文只使用了低成本的序列特征,例如词和词性标注特征。本文在不同领域的两个标准任务集上进行模型性能评测,分别是SemEval-2010Task 8和BioNLP-ST 2016 Task BB3,在前一个数据评测集上本文模型获得了与只使用序列特征的关系分类模型相当的实验效果;在后一个生物自然语言领域的数据评测任务BioNLP-ST 2016 Task BB3中本文模型在官方评测系统公布的所有参赛模型中获得了第三名的成绩。同时本文发现实体对中间的上下文对关系分类有至关重要的作用,最后通过统计进一步发现当依存解析不能使用的时候,可以把实体对之间的上下文作为最短依存路径的近似替代。