实体关系抽取任务可以从文本中抽取实体和实体间的关系,将非结构化的信息以结构化的形式展现,帮助用户从海量信息中快速找到所需要的信息。搜索引擎、知识图谱等下游任务中都是以实体关系抽取为基础。经过多年的研究,实体关系抽取方法已从早期基于规则、核函数和特征向量等传统方法转向了深度学习方法,其典型代表是神经网络模型。但在关系抽取方法中还存在一些不足,比如在对中文文本进行关系抽取任务时,可能由于分词边界问题导致最后关系抽取结果不理想,以及在句子中出现重叠实体关系造成难以抽取所涉及所有实体关系问题等。针对这些问题进行研究,内容如下。1.针对中文环境下进行关系抽取任务在分词时出现边界切分问题,通过对现有字词向量结合输入方式的研究,设计字词混合结构改善分词边界问题并且保留字的灵活性和词的语义信息。另外针对句子中出现重叠关系导致难以抽取所涉及所有实体关系问题,提出分层标记输出结构,对主实体、关系和客实体进行分层标记输出,来改善重叠关系问题。在Du IE数据集上实验结果表明,与其他基线模型相比,结合字词混合和分层标记结构后的模型有更好的效果。2.为了进一步提升关系抽取模型的特征提取能力,捕捉更远距离特征,提升模型训练速度,在字词混合模型基础上引入扩张卷积网络。通过对不同扩张率的扩张卷积网络进行叠加增加模型的抽取效果,同时对每层扩张卷积增加残差结构和门控线性单元预防可能引起的梯度问题,增强多通道信息传输能力,增加位置信息改善卷积网络位置信息缺失的问题。最后实验结果表明,与其他基线模型相比,融合混合扩张卷积结构的模型有更好的表现。3.实现了一个基于字词混合的关系抽取中文问答原型系统。将本文提出的算法模型应用到系统中,针对关系抽取任务,设计相应功能模块,为下游任务提供了数据支持。