随着互联网的应用场景不断丰富,海量的文本信息以爆炸般的趋势生成,这使得精准的知识获取变得越来越重要。关系抽取任务作为信息抽取中至关重要的步骤,为构建大规模的知识图谱提供了有力的支持。近年来,得益于机器学习技术,尤其是深度学习取得的长足发展,关系抽取模型的性能得到了显著提高。关系抽取模型主要采用卷积神经网络、循环神经网络作为句子编码器,然而,卷积神经网络很难学习到单词间的长距离依存关系,而循环神经网络由于无法并行运行,需要更多的训练时间。与此同时,大多数工作把关系抽取作为一个单独的任务来处理,忽视了相关任务之间的关联性,浪费了部分有效信息。本文针对以上问题进行了探索和研究,做出的贡献总结如下:（1）本文提出了一种新型的混合神经网络模型,结合了分段卷积神经网络和实体感知Transformer结构,使得模型可以在抽取句子内局部特征的同时,学习分词间的长距离依存特征。实体感知Transformer能够利用句子的词法和句法信息,并且生成特定实体的表示。基于句子中往往包含了大量与关系抽取无关的信息,本文使用了单词级别的注意力机制来降低噪声信息对模型性能的影响。使用模型在大规模数据集上进行实验,结果表明,混合神经网络模型取得了0.417的AUC分数,领先于基线系统。（2）对于混合模型中的Transformer结构,本文利用了从相关任务中学习到的先验知识,通过基于迁移学习的策略对其进行初始化,以增强模型的鲁棒性。由于实体的类型可以给实体间关系的确定进行有效的限制,所以合理使用实体分类任务的结果可以进一步提高关系抽取模型的精度。本文用实体分类任务训练实体感知Transformer,并保留训练得到的模型参数,作为之后在关系抽取任务中的初始化参数。在数据集上的实验结果表明,迁移学习策略可以将AUC分数进一步提高到0.432。