随着互联网的迅速发展,当今正处在一个信息爆炸的时代,各种信息呈指数级增长,在这其中,文本信息占据了相当重要的组成部分,因此从非结构化的信息中提取出有用的结构化信息显得尤为迫切和重要。信息抽取（Information Extraction,IE）就是旨在从非结构化的自由文本中抽取出结构化信息的技术。关系抽取任务为从非结构化的自由文本中抽取出“实体1-关系/属性-实体2/属性词”的三元组结构化信息,可用于构建知识图谱和辅助信息检索,因此关系抽取在信息抽取中占据了重要地位。在关系抽取任务中,利用依存结构信息提取特征,是多年研究以来被证明较为有效的方法,现有的基于依存结构的模型存在两方面问题,一方面,由于受限于模型结构或减少噪音影响,多数工作采用了剪枝的策略,从而会导致模型无可避免地丢失部分上下文信息,因此模型性能会受到限制。另一方面,基于图卷积的方法虽然可以很好地建模树结构,但却面临稀疏邻接矩阵的问题,节点无法有效地与更多更相关的节点交互。若依存结构信息使用不当,模型效果反而会下降。此外,训练数据分布不均衡的问题也影响了模型性能表现,巨大的数据量差距容易引起预测偏差,但对于关系抽取任务,自然语言处理中常用的数据增强方式又受限制。因此,本文提出了一种新的依存指导的注意力机制,并通过集成预训练语言模型和标签的描述信息来进行数据增强。首先,为了得到更丰富和上下文更相关的语义信息,本工作使用了预训练语言模型提供词义表征向量,通过这种方式,对于数量较小的标签,也能使得模型根据预训练语言模型提供丰富的融有外部知识的语义信息提供较好的鉴别能力。此外,本工作也提出了融合了标签描述信息的标签向量和匹配计算的策略,引入标签的含义信息进行数据增强,进一步提升模型性能。其次,本文提出了一种新颖的双向的依存指导注意力模型,通过注意力机制在依存树结构进行特征提取,根据依存树特征,分别在从上到下和从下到上两个方向建模不同语义范围和粒度的信息流,同时缓解了稀疏邻接矩阵的问题,并使用了距离向量以引入节点与最小依存树的距离信息以代替剪枝操作,从而减少信息损失,提升模型性能。最后,本论文将所研究的算法模型落地应用到了中科院计算所CoreNLU自然语言处理平台中,证明了本论文模型的有效应用价值。