关系抽取是自然语言处理和理解的重要任务之一,其应用广泛,可为知识图谱、问答系统和社交网络等提供服务。传统模型主要依赖于大量高质量的带标记数据,消耗大量的人力和财力。另一个有希望扩大训练数据的方法是远程监督,其原理是如果在知识库中一个实体对表达了某种关系,那么所有包含此对实体的数据都表达这个关系。理论上这让关系抽取的工作大大简化,然而使用此方法产生的标签是有噪声的,直接使用远程监督标签会导致模型效果变差。除此之外,影响关系抽取模型效果的另一个因素就是特征向量的质量,手工设置的特征向量虽然生成简单但是并不一定有利于正负样本的分类,所以需要重新学习一个有利于提升关系抽取模型效果的特征向量。为了解决上述的问题,本文利用强化学习方法降低远程监督带来的噪声,并使用优化后的标签重新训练得到更利于正负例分类的特征向量,然后利用优化后的标签和特征向量训练得到一个分类准确度更高的关系抽取分类器。本文首先提出了一个基于强化学习框架的标签降噪方法,用来解决远程监督产生的标签噪声问题,该方法可利用正包中假正例和真正例的位置关系,训练一个策略函数作为样本过滤器来有效地过滤正包中的噪声。然后针对源域和目标域中数据的相关性,提出了一个基于领域自适应的特征优化方法,该方法考虑到了源域和目标域的域不变特征,能够学习到更利于分类的特征向量。最后使用优化后的特征向量和标签训练得到最终的关系分类模型。本文将优化后的结果与真值标记和其他关系分类模型的结果进行了比较。实验结果表明,该模型能较好地处理含噪数据的关系分类问题,并能较好地完成领域自适应任务。本文最后还实现了一套基于上述方法的关系抽取模型训练系统,该系统实现了从数据处理、模型训练和结果展示的全自动化流程,并可与用户进行交互来调整模型参数以适应不同的训练任务。