随着网络的发展,大量文本充斥着人们的生活,信息提取可以帮助人们快速地获得重要信息,信息提取的研究也变得越来越重要,而实体识别和关系识别是信息提取的基础技术,同时实体和关系的提取也是构建知识图谱、实现语义搜索、建立智能问答系统等应用领域中必不可少的关键技术,具有极其重要的研究价值。因此本文对实体和关系联合提取分别从参数共享和联合解码两个方面进行了研究,并且构造了一个旅游领域内实体和关系联合提取的原型系统,具体内容如下:(1)提出了一种多特征融合的参数共享实体和关系联合提取方法。在之前,多数实体和关系联合提取模型只是依赖了Bert预训练模型获得词双向特征,而忽略了句子特征和字符特征,因此,提出了一种融合字符、句子和词特征的共享参数实体和关系联合提取的模型。我们的方法将通过多层卷积神经网络(CNN)提取字符特征,使用不同大小卷积核的卷积神经网络提取句子特征,使用Bert预训练语言模型提取词的特征,这样可以更好地捕捉句子中的各种特征,同时在训练中使用负采样的方法提升模型的鲁棒性。(2)提出了一种基于实体注意力机制的联合解码的实体和关系联合提取方法。在之前的实体和关系联合提取方法中,联合提取模型没有很好地利用实体和关系之间的信息,因此,提出了一种基于实体注意力机制的实体和关系联合提取模型。我们的模型将通过双向长短记忆网络(Bi-LSTM)获得词在句子中的语义特征,通过实体注意力机制动态提取实体中对关系提取重要的词和类别特征,提高实体和关系联合提取的互动性。(3)构建了旅游领域内实体和关系联合提取的原型系统。之前旅游领域中的实体识别和关系识别是使用传统的有监督方法,依赖于大量手工标注的数据,耗时费力,消耗巨大,因此使用了一种基于Bi-LSTM和CRF的实体和关系联合提取模型。模型利用Bi-LSTM的方法以最小的手工依赖来学习词的特征,利用CRF优化实体识别中序列标注结果。模型利用Bi-LSTM提取词的特征、实体识别后的实体特征、实体对间的距离特征,完成模型的关系识别,实现旅游领域实体和关系联合提取,并使用该模型完成了旅游领域内实体和关系联合提取的原型系统。实验验证,本文提出的方法是有效的。基于多特征融合的实体关系提取中实体和关系的F1值分别达到了86.62和72.29;基于实体注意力机制的模型也可以有效的进行实体和关系的识别;在旅游领域使用的基于双向长短记忆网络和CRF的模型也可以完成实体和关系的提取,并成功构建了旅游领域内实体和关系联合提取的原型系统。