当前领域实体关系抽取一直面临着语料不足的问题。语料标注是一项极其耗时且繁琐的工作,采用完全的人工标注方法,将耗费大量的人工成本。而传统基于半监督或者远程监督扩充语料的方法,又存在错误标记的问题,获得的语料质量一般较低。目前,各领域实体关系抽取的研究工作存在各自为政的情况,没有一个较为通用的建模方法。针对领域实体关系抽取的发展需求,为了缓解领域标注语料不足的问题,本文提出一种通用的领域实体关系抽取的建模方法,并且提出了一个实体关系联合抽取模型。提出了基于完全注意力机制的实体关系联合抽取模型。注意力机制是当前人工智能领域比较热门的研究课题,很多模型因为加入了注意力机制而有了大幅提升。现有的实体关系联合抽取模型,一般只在基础词嵌入时引入注意力机制,而在关系表示时忽略了注意力机制。本文模型通过在基本词嵌入、实体嵌入、关系嵌入中都融入注意力机制,对Sci IE（Scientific Information Extractor）模型进行了改进。对于Sci ERC和Co NLL04两个数据集,本文模型在实体抽取任务中获得了68.4%和88.2%的F1分数,比对照方法提高了4.9%和0.5%,在关系抽取任务中获得了47.1%和69.9%的F1分数,相比对照方法,提高了13.2%和1.5%。提出了基于人工干预和迭代建模构建领域实体关系语料的方法。通过使用少量的标注语料训练基础模型,然后基于模型预测生成新样本,并基于人工干预对模型预测进行修正,通过迭代建模不断提升模型效果和语料规模。本文归纳提出了四种迭代建模模式,分别是增量热训练、增量冷训练、移动热训练、移动冷训练,并分别进行了模拟迭代建模的实验,比较了四种模式效果的差异,对建模效果进行了定量分析。在模拟数据中,本文的迭代建模方法比纯人工标注方法节约了最多39%的人工成本。本文使用网络搜集的数据,开展了迭代建模的实践应用,最终获得了一个较小量级的领域实体关系语料,该语料包括18395个实体以及4802对关系。另外,为了方便迭代建模的操作,本文开发了一套实体关系迭代建模系统。本系统提供了标签设计、模型管理、语料标注等功能。标签设计功能可以方便用户设计实体、关系标签,模型管理功能使用户能够创建及训练实体关系抽取模型,语料标注功能提供可视化的实体关系标注方式。