信息抽取是自然语言处理的基础任务,其中关系抽取是信息抽取的关键子课题之一。以往对于关系抽取的研究主要集中于新闻、百科、论文摘要等文体相对规范的文本,而忽略了日常生活中常见的对话场景文本。与传统的关系抽取相比,对话数据具有信息密度低、跨句关系占比高、说话人敏感、人称代词丰富的特点,给面向对话的关系抽取研究带来了新的挑战。基于此,本文提出了多种面向对话文本的关系抽取模型,融合关系类别、说话人信息、人称代词同指信息等多方面特征,辅助模型捕捉更多对话级别的信息。本文的研究内容主要包括三个方面:（1）针对对话数据信息密度低、跨句关系占比高的特点,提出了基于关系引导注意力的图卷积关系抽取模型。首先将整个对话输入上下文编码器,通过多头注意力机制评估不同单词与不同关系之间的相互影响,更新对话的上下文表示。然后将其输入到图卷积网络模型中,进行文档级推理,最后将得到的实体表示输入双线性层,得到预测的关系类别。该模型通过关系引导的注意力机制,使上下文表示融合了关系的类别特征,针对不同的关系类型,关注不同的单词。结果表明,在模型中引入关系类型特征能有效提升传统的文档级关系抽取模型的性能。（2）针对对话数据包含许多说话人信息与人称代词的特点,提出了基于说话人与同指信息特征感知的关系抽取模型。首先,该模型在上下文编码阶段引入说话人的特征表示,通过在单词表征中添加了说话人信息,使得上下文中的每个单词与对应的说话人匹配。其次,在关系预测阶段,该模型使用启发式规则与指代消解工具两种方法获取人称代词与实体提及之间的同指信息,并将同指信息融合到实体的表示中,提升实体的表征能力。结果表明,说话人与同指信息特征能够提升模型捕捉对话人特征的能力,进而提升对话文本的关系抽取效果。（3）针对对话上下文中包含说话人、同指、话语等多种信息的特点,提出了一种多类型节点的异构图模型,在特征感知的基础上,进行说话人信息、同指信息、话语信息的进一步融合。具体的,该模型在异构图推理层引入说话人节点、同指信息节点、话语节点来辅助文本的对话级推理,根据节点之间不同的逻辑关系构建八种不同类型的边,包括实体-提及边、提及-话语边、说话人-话语边、说话人-提及边、提及-最短依存路径节点边、话语-最短依存路径节点边、话语-话语边和自环边。最后,通过关系图卷积对异构图进行推理,捕获节点的特征。实验结果表明,采用异构图融合说话人信息、人称代词信息、话语信息的方法比说话人与同指信息特征感知的方法,在对话级关系抽取任务上的效果得到了进一步的提高。