实体关系抽取作为自然语言处理的一个重要技术,其主要任务在于从非结构化的文本数据中抽取实体间存在的语义关系。此技术在语义理解、机器翻译、问答系统、推荐系统等方面得到广泛应用,同时也是信息抽取任务中的关键组成部分。传统关系抽取方式大多基于浅层的机器学习方法,以人工设计特征的选择方式抽取实体关系,但这些方法具有耗时长、特征选取困难、人工成本高等弊端,在当今拥有庞大数据集环境下已不再适用。近些年来,基于深度学习的关系抽取方法能够借助神经网络,从海量数据中自动抽取关系特征,在模型中不断的学习,避免人工设计特征的缺陷,所以深度学习方法在关系抽取中取得广泛的应用。自然语言的表达依据词汇按照特定的顺序排列实现,因此利用循环神经网络(RNN)进行文本编码比使用卷积神经网络(CNN)更加贴切的复原自然语言中单词与单词之间的相互关系。长短时记忆网络(LSTM)模型是RNN的一种变体,可以有效利用序列数据当中长距离依赖信息的能力。现有的实体关系抽取模型忽视了实体与上下文间的交互信息,无法获取远距离上下文相关信息对关系抽取的影响。本文结合Bi-LSTM和注意力机制对实体关系抽取方法进行研究,提出基于注意力机制和Bi-LSTM的关系抽取模型,本文的主要工作包括以下几方面:(1)以双向长短时记忆网络和自注意力机制为基础,在双向长短时记忆网络前引入自注意力机制,可以对句子中内部元素进行注意力计算,学习句子内部词间的依赖关系,捕获单词之间的潜在相关联系,有效避免了实体关系获取中长距离信息丢失的缺点。(2)为了充分利用实体词距离信息,采用带有位置特征的注意力机制。使用融合位置特征的注意力机制提供了每个单词和实体之间的重要空间信息,能够评价关系获取中每个词在整个序列的相对贡献,这种评价不仅包含语义信息还包含实体的位置信息。本文针对集合Bi-LSTM和注意力机制的实体关系抽取模型进行了相关实验。实验结果表明本文提出的关系抽取方法相对于基线方法更有优势,在Sem Eval-2010 Task 8数据集上取得了84.64%的F1值。本文将自注意力机制和位置特征的注意力机制相结合,提高了实体关系抽取的准确率。