关系抽取任务作为自然语言处理领域一项重要的研究内容,目的是判断文本中实体之间的语义关系,被广泛应用于知识图谱、智能问答等领域中。传统的有监督关系抽取方法需要使用带有标签的数据对模型进行训练,而数据中的标签需要人来手动进行标注,这无疑会消耗大量的人力资源。因此,远程监督方法受到了大量学者的关注。远程监督不需要人工对数据集进行标注,它依赖于现有的知识库,通过远程知识库对文本进行自动标注。但远程监督自动标注的数据由于过硬的假设条件,会出现大量的错误标注数据,使得远程监督获得的数据中存在大量噪声。训练集中的噪声会影响模型对样本的特征学习,测试集中的噪声会影响模型性能的评估。另一方面,知识库中知识的缺失会导致数据中存在大量假负例的情况,影响模型性能。我国是一个农业大国,农业是国民经济的命脉,与社会的进步与发展密不可分。但目前农业缺乏健全、规范的农业知识体系提供有效支持,因此构建一个统一的农业领域的知识图谱是是保障我国农业体系稳定,促进可持续发展的关键任务。基于此,本文面向农业领域大数据,对远程监督关系抽取方法进行研究,本文的具体研究内容如下:1.针对目前农业领域的数据不足问题,本文通过人工标注的方式,手动标注了一批农业数据集,并构建了一个小型的农业知识库,以支持对农业领域关系抽取任务的研究,同时使用人工标注的数据构建测试集来对远程监督关系抽取模型进行评估,避免远程监督的噪声数据影响模型的正确评估。2.针对远程监督的数据噪声问题,本文设计了一个远程监督去噪模型,通过构造伪噪声数据对噪声数据和正确数据的特征进行学习,模型将相同实体对的原始样本映射到多维高斯分布上,将伪噪声样本映射到高斯混合分布上,通过拉近分布的距离将噪声数据从原始样本中鉴别出来。通过这种方式对噪声数据进行过滤。与之前研究不同的是,本文的去噪模型独立于关系抽取任务,可以与任何关系抽取模型配合使用。3.针对知识库中知识缺失的问题,本文提出了多知识库融合的远程监督关系抽取方法,设计了基于最大公共子图的多知识库融合算法,通过知识库融合弥补知识库知识缺失的问题,为了解决知识库融合时的知识冲突问题,本文结合知识库的置信程度,将知识库中实体对的关系赋权,在融合后的知识库中保留各个知识库的内容,通过权重来表示知识的准确程度,在远程监督数据自动标注时保留了知识库中的权重,并设计了对应的关系抽取模型,使用带权重的数据对模型进行训练,并使用人工标注的无噪声的数据集对整个流程进行评估。