信息技术的快速发展使得网络中的数据量日益增加,这些数据之中通常含有丰富的有效信息,可供人们加以利用。为了充分挖掘其中蕴含的深层次知识,信息抽取任务顺时产生。通过信息抽取,人们能够方便得从原始数据中获取结构化的、容易理解的、可直接使用的数据。实体关系抽取正是信息抽取最为关键的子任务之一。传统实体关系抽取研究以流水线的方式处理此任务,首先识别实体,然后检测实体之间的关系。这种方法忽略了实体和关系之间的相关性,并导致错误传播。为了解除这一问题,本文实现了实体及关系的联合抽取方法,将句子编码后嵌入神经网络模型,同时执行实体识别和关系抽取子任务,生成可直接利用的知识,即实体关系三元组。另外,为了克服监督学习依赖于大量手工标注的数据的缺点,文本引入远程监督的方法,将非结构化文本与知识库对齐,以自动构建大量训练数据。神经网络具有强大的表达能力,在许多应用领域受到了研究者的关注,并在自然语言处理任务上取得了不错的成果。本文利用深度神经网络建模实体识别和关系抽取联合任务,进行了下述研究:1)提出了一种基于分层注意力结合语言模型的实体关系联合抽取算法HBLM。不同于传统的流水线方法,联合学习的方法同时执行实体识别和关系抽取两个子任务,能够更好的利用两个任务之间的交互,不产生冗余的信息。带有辅助训练目标的语言模型学习如何预测数据集中每个单词的周围单词,鼓励框架学习更丰富的语义合成特征,而无需额外的训练数据。此外,我们将分层的多头注意机制整合到联合提取模型中,以从可用文本中捕获重要的语义信息,学习不同表示子空间的相关信息。在公开的标准数据集上开展多组对比实验表明,HBLM模型明显优于现有主流模型。2)提出了一种基于多层强化学习的开放式实体和关系联合抽取算法OHRL。该模型集成了两个开放式提取器提取三元组构建知识库,并引入远程监督的方法,对齐知识库与非结构化文本,从而自动构建大量的数据集。同时,模型引入分层强化学习框架来处理通过远程监督扩展的数据集,对同一个句子通过两级的强化学习来实现整个信息抽取,高级别的RL抽取关系,低级别RL识别实体。公开的标准数据集上开展的实验结果表明,OHRL模型取得了显著的效果,能够适应远程监督扩展的数据集。3)构建了中文实体关系抽取的可视化系统。该系统主要聚焦于人物关系的挖掘,用户通过前端界面搜索相关人物,系统的后端查询NeO4j数据库中的实体关系三元组,并以人物关系网络图的形式进行可视化展示。系统定期自动爬取互联网的文本数据,从中挖掘实体关系信息,并存储到数据库中。