互联网的蓬勃发展推动了大数据时代的浪潮,网络在为我们带来便利的同时,也带来了诸多的问题。而信息爆炸就是大数据时代面临的一个重要问题,如何从海量网络数据中提取出有价值的信息成为首要任务,在此背景下实体信息抽取技术应运而生。实体关系抽取就是从海量网络数据文本中提取出实体间的语义关系,传统的基于模板知识库的方法已经无法适应海量数据的需求,虽然自然语言处理技术与机器学习的快速发展为关系抽取带来了一些新的思想,但仍然存在以下三个方面的不足:(1)在命名实体消歧方面,对目标文本中协同实体特征分析不足,其上下文特征信息分析停留在待消歧实体语义特征上;(2)主流的基于远程监督的启发式标记数据过程容易引入噪声,较少考虑知识库本身的不完备性特点;(3)基于神经网络的关系抽取算法抽取特征面过于单一,缺乏对文本语义多方面的特征提取。本文针对以上问题,分别从上下文实体消歧、启发式标记关系数据和关系特征抽取三个方面进行了研究,以进一步提高命名实体关系抽取的准确度和实用性,主要研究工作和创新点如下:(1)针对实体消歧文本中协同实体关系分析不足的问题,提出一种基于双词主题模型的实体消歧方法。该方法考虑到实体在一定语义环境下具有不同的主题,且在同一文档中同时出现的其它实体在一定程度上能够帮助待消歧实体确定所指代内容,利用命名实体构建双词的思想,将协同实体关系融合到主题模型中。在网络文本数据上进行的相关实验表明,该方法有效提高了实体消歧精度。(2)针对基于远程监督方法进行启发式标记语料过程中容易引入噪声的问题,提出一种基于类型约束的远程监督关系学习算法,首先利用互信息量对知识库进行完善扩充,进而通过类型约束条件下的远程监督方法进行启发式学习,有效降低假实例比例。通过在公开数据集上对相关算法进行对比分析,表明该算法有效提高了启发式标记数据的准确性。(3)针对传统单一神经网络方法抽取关系特征维度有限等问题,提出基于深度融合卷积神经网络的关系抽取模型。利用基于句子词向量和句子最短依存路径两种不同表示方法作为卷积神经网络模型的不同输入,自动学习更多维空间的文本特征并在高维特征空间进行深度融合,提高关系抽取精度。在SemEval-2010 Task 8数据集上进行实验,结果表明该模型能够有效地结合传统文本特征和神经网络学习的高维特征,提高关系抽取效果。