命名实体识别和关系抽取是知识抽取的重要环节,也是建立知识图谱的关键技术。目前研究方法主要有两种,一是使用流水线的方法,先做实体识别任务,再完成关系抽取。但是前者的错误会影响到下面的任务性能,也会产生很多没有关系的实体对这种冗余信息。二是同时从非结构化的文本中抽取实体和它们之间的关系,称之为联合抽取,可以弥补前者的不足。但是该方法目前大多数也是基于特征的结构化系统,需要做一些复杂的特征工程工作,这也可能会导致错误传播。本文重点围绕实体识别和关系联合抽取进行了深入研究,具体内容如下:（1）将命名实体识别和关系抽取任务转化为序列标注任务,提出了一种新的基于特殊标注策略的端到端联合抽取模型。该模型运用了Google开源的BERT模型训练分布式的词向量作为标签语义表示的初始化方式,来表示输入文本。然后以双向LSTM层进行编码,以融合了注意力机制的LSTM层进行解码。最后通过softmax函数输出抽取预测标签结果。另外,该模型使用一个带有偏置项的目标函数来对模型进行优化,使模型能够精准地进行预测。在NYT公开数据集上,该模型取得了比较好的性能。（2）将知识图谱技术手段应用到关联交易公告中,尝试针对这一领域建立一个轻量级的知识图谱,有助于企业关联分析交易。关联交易类公告作为上市公司信息披露的其中一类重要的公告类型,具有很强的研究价值。本文对构建关联交易知识图谱中的本体构建、知识抽取、知识存储、可视化分析等过程进行了说明。综上所述,本文的创新点在于针对实体识别和关系抽取任务,提出了一种新的基于标注策略的端到端的联合抽取模型。在Bi LSTM-LSTM-Bias模型的基础上使用BERT模型训练分布式的词向量,同时引入了注意力机制,获得了更多的上下文语义信息,并通过实验证明了其有效性。