社交网络的迅速发展带来了海量的对话数据,如何从这些对话数据中提取有用的信息成为了新的研究热点。面向对话的实体关系抽取任务旨在判断对话文本中各个实体对之间存在的关系,进而辅助知识图谱构建、对话生成等下游任务的进行。作为一个刚刚起步的任务,面向对话的实体关系抽取有很多问题需要解决。本文针对该任务的三个不同的问题提出了相应的解决方案,主要内容如下:（1）针对面向对话的实体关系抽取模型难以捕获对话的图结构的问题,本文提出了一种使用GCN（Graph Convolutional Network）整合对话结构特征的方法。该方法根据对话文本是图结构文本而非序列式文本的结构特征,为对话文本构建对话情景图,然后使用GCN来聚合结构信息,从而加强了模型对于对话结构的理解。实验结果表明,该模型能有效地利用对话的结构信息,与基准模型相比,DialogRE测试集上的F1值提升了 5.5%,F1c值提升了 5.1%。（2）针对面向对话的实体关系抽取模型对于同指关系组的识别能力不足导致的关系判别级联错误问题,本文提出了一种基于多任务学习的方法。该方法使用硬参数共享方案,将实体同指任务引入面向对话的实体关系抽取模型,增强了模型对同指关系组的判别能力。实验结果表明,该模型对同指关系的判断力得到了明显的提升,进而提升了模型判别实体关系的整体能力。与基准模型相比,DialogRE测试集上的F1值提升了 3.1%,F1c值提升了 1.4%。（3）针对面向对话的实体关系抽取模型细粒度特征利用不足的问题,本文提出了一种多粒度特征抽取的方法。该方法通过在BERT模型不同层次抽取不同粒度的特征,更好地挖掘了触发词、句式等信息。为了利用实体类型信息提高关系分类的准确性,该方法设计了一种类型置信机制,该机制可以利用实体类型信息辅助关系的推理。实验结果表明,融合不同粒度的特征后,与基准模型相比,模型在DialogRE测试集上的F1得分提升了 4.2%,F1c得分提升了 1.9%。本文围绕面向对话的实体关系抽取任务展开研究,分析了当前任务中存在的实际问题并提出了解决方案,为关系抽取的进一步研究提供了思路。