随着深度学习技术的发展,以及在自然语言处理领域的不断突破,基于深度学习的实体识别和关系抽取任务已经逐渐从由于具有标注成本高、误差率高、局限于特定领域等诸多缺点而导致实际应用价值低、落地成本高的窘境,发展到了可以在少样本、复杂关系、跨领域的应用上实现一定价值。传统的实体关系抽取任务方法主要有两大问题:（1）割裂实体识别与关系抽取两个任务之间的联系。即关系抽取任务是基于实体识别任务的结果,且关系抽取任务结果对于实体识别任务没有起到修正作用。此问题会直接导致误差传播,即若前一任务的结果出现错误,后一任务的结果必然错误,从而导致模型效果变差,准确率降低。（2）无法形象刻画多实体之间的复杂关系。传统实体关系抽取任务采用BIO序列标注的方式对实体、关系进行预测。然而,在实际应用过程中,常常存在实体重叠、关系重叠等诸多特殊情况,需要设计比较复杂的联合标签才能完成对实体关系三元组的抽取。然而标签越复杂,其出现的次数通常就会越少,从而引发严重的样本不均衡问题,导致抽取效果变差。为解决上述问题,本文提出一种基于信息传递的片段分类方式进行联合实体关系抽取。首先将两个子任务同时放到模型里进行训练,使两个子任务共享词嵌入层的权重,然后在综合两个子任务的损失函数进行反向传播更新各神经元权重。对于实体识别任务,在最后输出层选择出所有可能是实体片段的候选集,并将其实体边界作为补充信息传递到后续任务。对于关系抽取任务,则综合文本序列、实体片段及实体边界进行关系抽取预测。实验结果表明,该方法可以有效解决上述错差累积和关系重叠的问题,减少构建复杂三元组标签带来的人力成本及其所导致的高标注成本,与诸多实体关系抽取baseline模型相比有明显优势。同时,可以因可使用同一套标注规则,也为跨领域进行实体关系抽取带来更多的可能和便利。本文为验证该模型优化方法的扩展性和通用性,构建了化学文献实验方法数据集。该数据集为从化学领域顶级会议ACB中选择催化剂制备文献共100篇,人工定位到该文献中催化剂制备章节,标注实体、关系共14类,实体共1000余个,实体间关系共300余对。随后对于该数据集及先前训练模型进行迁移学习,并针对该数据集进行少样本下的模型优化。实验结果表明,在跨领域小样本数据集下,使用本文提出的优化方案后的模型后,实体关系抽取效果明显优于基于规则的抽取方式和先前模型,同时在实际应用场景下具有一定可行性。