实体间语义关系抽取是信息抽取中的重要环节,目的是通过命名实体对的上下文来确定实体之间是否存在关系以及存在何种关系。目前实体间语义关系抽取研究的最大挑战是训练数据不足的问题。同时,各语义关系的分布很不均衡,这个问题对于语义关系小类更为突出,严重影响到它们的性能。语义关系抽取目前主要使用指导性学习方法,但是指导性语义关系抽取对标注语料库的依赖性比较高,因此人们开始探索弱指导机器学习方法,通过自举产生大规模较高质量的标注语料库,减轻对大规模手工标注语料库的依赖。针对以上问题,本文探索了一种基于自举的弱指导语义关系抽取方法,对弱指导语义关系抽取的三个关键环节:初始训练集的选择,训练集的扩展以及迭代终止条件进行了深入的研究。在初始训练集的选择阶段,为了能够抽取到具有较高代表性和分布均衡性的实例,本文引入了分层选择策略,首先将未标注数据集按照一定的标准划分成若干层,然后按照比例从每一层的实例集中抽取实例组成初始训练集。初始训练集的选择对于基于自举的弱指导语义关系抽取至关重要。在训练集的扩展阶段,由于新加入实例会引入很多噪音,而且新加入实例在各个类别上分布不均衡,严重影响抽取性能。本文首先挑选具有较高可信度的实例,然后再使用分层抽取方法选择实例添加到训练集中,这种方法可以一定程度上降低噪音,同时避免新加入的实例过度集中于几个关系类别上。最后,为了避免出现过度拟合的情况,我们通过实验寻找了一种迭代终止条件,使得弱指导学习方法局部收敛。我们在ACE RDC语料库上的实验表明,分层选择策略要优于其它策略,可以抽取到具有较高代表性的实例,同时能保证训练集在各个语义关系类别上分布比较均衡,有效地提高了基于弱指导学习的语义关系抽取性能。