传统的关系抽取任务需要大量的人力物力标注数据样本,高昂的代价让研究者们望而生畏。因此远监督关系抽取方法应运而生,其最大优势是通过知识库和自然语言文本的自动对齐生成标记数据。但这种机械地自动对齐机制在将人从繁重的样本标注工作中解放出来的同时,不可避免地会产生各种错误数据标记,进而影响构建高质量的关系抽取模型。本文针对远监督关系抽取任务中的标记噪声问题,从两个角度出发,构建了两个新的关系抽取模型。一方面针对现有远监督关系抽取方法均没有考虑到噪声分布的先验信息问题,提出“最终句子对齐的标签是基于某些未知因素所生成的带噪观测结果”这一假设。并在该假设基础上,构建由编码层、基于噪声分布的注意力层、真实标签输出层和带噪观测层构成的新型关系抽取模型。首先,通过词性标注额外丰富了模型的语义信息,并将其与词向量进行拼接,避免不加区分一词多义带来的歧义对模型性能的影响。然后模型利用自动标记的数据学习真实标签到噪声标签的转移概率,并在测试阶段通过真实标签输出层得到最终的关系分类。最后,研究带噪观测模型与深度神经网络的结合,重点讨论了基于深度神经网络编码的噪声分布注意力机制、以及深度神经网络框架下不均衡样本的降噪处理。另一方面现有远监督关系抽取都没有考虑损失函数的内在噪声鲁棒性对远监督关系抽取任务的影响。本文则根据损失函数的内在特性来缓解噪声标签问题。首先我们分析了已有的远监督关系抽取模型中交叉熵抗噪性和精度,分析结果表明使用交叉熵损失函数的模型精度较高但对噪声比较敏感,同样分析了神经网络模型中的平均绝对误差损失函数,使用平均绝对误差损失函数的模型收敛较慢、精度较差,但噪声鲁棒性较强。为了保持模型精度的同时并提高噪声鲁棒性,本文采用Box-Cox变换来尽可能地结合两种损失函数的优势,构造了一个噪声鲁棒的远监督关系抽取模型,其关系抽取效果有了进一步的提高。本文的主要贡献在于:(1)从一词多义的角度去提取了模型输入端的语义特征,采用基于语义特征的CBOW模型,使模型在整体上更加鲁棒;(2)考虑了远监督关系抽取数据集中噪声分布的先验信息,以此模拟样本由真实标签转移为噪声标签的概率,并对样本不均衡中噪声标签问题做了局部降噪处理;(3)在远监督关系抽取任务中首次考虑了损失函数的内在噪声鲁棒性,结合了平均绝对误差损失函数和交叉熵损失函数的优点,引入负Box-Cox变换。通过该损失函数的内在抗噪性提升远监督关系抽取性能。本文在公测数据集和同等参数设置下进行带噪观测远监督关系抽取模型的验证实验。通过分析样本噪声的分布情况,对在各种样本噪声分布下的带噪观测模型进行性能评价,并与现有的主流基线方法进行比较。并以同样的参数条件对噪声鲁棒的远监督关系抽取模型进行了实验验证,分析比较了各个损失函数条件下远监督关系抽取模型的性能。结果显示本文提出的带噪观测模型相比最新基线提高了6%左右,噪声鲁棒的远监督关系抽取模型相比经典基线则提升了5%左右。