随着社会经济的迅速发展,互联网技术在近几年中获得了快速的发展,用户规模也呈现出了激增的态势,与此有关的互联网文本数据规模也逐年递增。在这些海量的文本数据当中,如何更为有效的寻找、提取目标信息,正成为影响互联网技术发展的迫切难题。现如今,随着人们生活水平的提高,语音识别技术、机器翻译技术、自动问答、互联网搜索等都离不开知识库,而实体关系抽取正是构建知识库的重要技术,从技术角度来讲就是从文本数据中把实体之间的语义关系提取出来。这一技术已经成为自然语言处理、机器智能学习、大数据挖掘等技术发展的关键因素,同时也意味着这一技术关系着我国未来的工业和信息化发展,具有非常广阔的应用前景。关系抽取可以称之为关系分类技术,在当前多个深度学习模型中,基于长短期记忆单元(LSTM)的循环神经网络(RNN)模型因为其能有效利用序列数据中长距离依赖信息的能力,被认为特别适合文本序列数据的处理。因此,本文提出一个基于LSTM的深度学习模型来解决关系分类问题。在基于LSTM的基础上,本文首先对词嵌入技术进行了研究,通过神经网络将词语嵌入到一个实数向量中,这个实数向量是低维度的,有效避免了传统词向量缺乏语义信息的缺点。其次,本文还对相关的数据文本特征进行了研究,提出了四种文本特征方案,将特征向量输入到双向LSTM(BLSTM)模型。之后,结合Attention机制,将不同的权重应用到相对应的时刻当中,不仅能够使模型保留有效信息,还能最大程度解决信息冗余的问题,优化文本特征向量。最后,使用梯度提升树GBDT作为分类器,在一定程度上解决了传统以Softmax用作分类器带来的模型泛化能力不强的现实困境,进一步提升关系分类的精度。此外,本文在研究的过程中还实现了实体关系结果的可视化,方便我们能够査看图数据库中的整体或局部情况,用户通过简单的操作就能查看实体之间的关联。