互联网技术的发展已逐渐改变了人们获取信息的方式,如何从非结构化文本信息中获取关键信息以构建知识图谱面临巨大的挑战。作为知识图谱的基础任务,命名体识别和关系抽取的目的在于从非结构化文本中分别抽取实体和实体之间的关系,从而为语义检索、知识问答、逻辑推理等下游任务提供重要的支持。本文在对实体关系联合抽取任务研究时发现,现有的联合抽取模型由于存在误差传播、信息冗余等问题,导致其很难有效地抽取出语句中的所有三元组,特别是重叠三元组。针对上述问题,本文从关系的角度出发,总结出了一种新颖的联合抽取范式,即基于关系识别实体。首先,本文基于“不同的语句上下文,关系应具有不同的表征”的假设,提出了一种新颖且高效的模型输入形式,旨在根据语句上下文学习关系表征。然后,本文基于“语句中涉及重叠三元组的关系,它们的表征更相似,且与同一语句中的其他关系的表征不相似”的假设,提出了一个关系对比预训练模型（Relation Contrastive BERT,RCBERT）,该模型使用对比学习的方法进行训练,进一步学习关系表征之间的差异性。最后,本文将RCBERT作为编码器,并基于“语句中涉及重叠三元组的关系,它们之间存在相关性”和“在不同的关系下,语句中的词应具有不同的表征”这两个假设,提出了一个多级注意力联合抽取模型（Multi-Level Attention Model,MLA）,通过关注语句与关系、关系与关系以及关系与词之间的相关性,实现对重叠三元组的有效抽取。为了更好地评估本文所提出模型的有效性,本文对RCBERT模型学习到的关系表征进行了相似性度量,证明了其学习到的所有关系表征具有差异性;对于MLA模型,本文在NYT和Web NLG数据集上进行了对比实验和扩展实验,证明了其能有效地抽取重叠三元组。最后,本文还对MLA模型进行了消融实验,验证了各组件对模型的重要程度。