互联网数据的爆炸式增长,使得研究热点更多转向Web内容结构化分析[4]。在自然语言处理领域的研究中,知识图谱(KnowledgeGraph)已经变成了一个热点。在信息检索、问答系统以及知识库构建等研究中知识图谱提供了完善的资源与支撑,但少数民族语言知识图谱的构建才刚刚起步,所有藏语信息以文本显示为主。如果将藏语知识以结构化形式表示,那么将会有利于藏语知识的结构化分析和深度挖掘。所以藏语实体关系抽取成为需要研究的方向之一。其中英、汉语言实体关系抽取有公开的语料和很多研究方法,但是藏语在这方面的研究还没有公开的语料,而且很多方法没有使用到藏语实体关系抽取研究中。所以本文针对藏语实体关系抽取进行了研究及分析,主要内容如下:1)本文提出了一种基于模板和BP神经网络的藏语实体关系抽取方法。我们选取实体位置特征、实体之间的距离特征、实体及周围词特征以及关键词的特征来进一步进行向量化,其中实体及周围词词汇特征和关键词特征用TF-IDF值来表示。由于藏语的部分语料在句式上有一定的相似性,本文提出将构建的藏语模板融合到BP神经网络模型中。实验证明,F1值达到了74.29%,相比支持向量机方法提高了 1.97%。2)本文提出了一种通过使用优化词向量的GRU神经网络模型来进行藏语实体关系抽取的方法。在模型的训练中我们加入了优化的词向量,在传统的词向量模型中结合藏语音节向量、音节位置向量、词性向量等特征对词向量进一步优化,并且选取了藏语词汇特征和藏语句子特征。实验证明使用优化词向量,F1值达到了 78.43%。3)在优化词向量的GRU神经网络模型的基础上引入了的Attention机制,Attention机制影响关键词的权重来突出关键词和优化特征提取进一步提高效果。用该模型在藏语实体关系抽取任务上对其做出评估实验。通过与其他模型做比较,表明该模型是有效的,F1值最终达到了 81.46%。