关系抽取是知识抽取的重要步骤,旨在从文本语料或多模态数据中发现实体间语义关系,从而为知识图谱构建提供知识三元组,并直接影响知识图谱的质量及应用效果。近年来,关系抽取研究取得了很大进展,但现有研究工作大多集中于句内关系及简单实体对关系,而针对文档级关系抽取及重叠关系抽取的研究目前仍然面临两方面的挑战:（1）在文档级关系抽取中,关系对应的实体对通常跨越多个句子,如何精准地统一实体信息及多个句子语义信息的特征表示仍需探索;（2）在重叠关系抽取中,多个三元组交叉重叠情况复杂,如何根据语义信息准确地识别出不同的关系三元组仍是难点。在实际的应用场景,跨句子及重叠关系情况都较常见,如何从这些复杂场景中抽取关系事实显得尤为重要。针对上述问题,本文分别对文档级关系抽取和重叠关系抽取展开探索,主要工作如下:1.提出了一种多粒度关系抽取模型MGRE:该模型充分融合了实体级、句子级和文档级等多个粒度的语义信息,能够更好地表征文档中实体及各个句子间的语义交互。首先,在实体级语义信息构建中,针对传统最短依存路径方法只是将实体对信息作为路径序列的一部分进行特征抽取,而无法区分实体间语义差别的问题,本文借鉴了TransE模型的翻译思想,对于通过最短依存路径获取的头尾实体表示,利用翻译策略进行融合,以获得实体对间的关联信息。然后,在句子级语义信息构建中,本文使用CNN网络对各个句子进行语义特征抽取。最后,对于句子级网络层获取的多个句子级特征向量,通过注意力机制将其融合为文档级语义特征,并进一步与实体级语义信息进行融合,完成了文档信息及实体对信息的有机统一。公开数据集上的实验结果表明,本文方法在文档级关系抽取任务上取得了较好的抽取性能。2.提出了一种基于指针标注的三阶段关系抽取模型TSRE:该模型主要包括关系分类、头实体标注和尾实体标注三个阶段的工作。首先,针对重叠关系抽取中三元组交叉重叠问题,关系分类阶段将文本中的三元组按照关系类别划分为多个简单的小集合,降低了后续实体识别的复杂性。然后,在头实体标注和尾实体标注阶段,采用指针标注策略,通过头尾指针抽取任意跨度的实体。模型的三个阶段层层衔接与递进,每一个阶段抽取出的三元组元素,都将会作为前置条件输入到下一阶段的网络中,充分融合实体及关系之间的交互信息,很好地提升重叠关系抽取的性能。实验结果表明,本文的方法在Du RED和ICRED两个数据集上都取得了最佳的抽取性能,在重叠关系抽取任务上的性能优于现有的其它模型。