随着互联网和信息化的发展,网络中的信息量与日俱增,给我们生活带来极大的便捷。目前记录信息的方式有文字、图片和视频等多种形式,但我们仍主要以文字作为信息记录的载体。自然语言处理是一门融合人工智能以及语言学的交叉学科,通过表示、分析和处理文本信息,突破计算机和人类的交互方式。从大量文本信息中挖掘发现有用信息已经成为许多研究者的研究方向,实体关系抽取是自然语言处理中的一个研究方向,通过从包含命名实体的句子中预测它们之间的关系,将非结构化的句子表示成实体关系这样的结构化信息,以方便计算机对其进行进一步的存储和计算。传统实体关系抽取任务主要通过人工发现和建立表示实体关系的特征或者通过核函数进行关系抽取,其结果受到特征多少和核函数选择影响,往往只能应用于特定领域的关系抽取。随着深度学习在关系抽取上的应用,卷积神经网络、循环神经网络以及注意力模型被引入应用于关系抽取,通过神经网络获取表示句子中实体关系的特征,完成关系抽取任务。相比于传统的实体关系抽取算法,基于深度学习的实体关系抽取算法通过神经网络的学习能获取表示实体关系的特征,具有更优的结果。针对以上情况,本文提出一种新的基于注意力机制的实体关系抽取模型。该模型将句子以实体为基准进行切分,通过基于句中词汇与实体间联系的注意力模型获得句子的向量表示,进而获取实体间关系特征,实现句中实体间关系的预测。通过注意力机制,模型可以获取实体关系相关的特征数据,能去除句子中与实体关系无关的噪音数据,提高模型对句子中实体间关系的预测能力。为了进一步提高模型的结果和加快训练过程中收敛速度,在本文的注意力模型基础上,我们借鉴了实现生成对抗模型的思路,实现了基于生成对抗思想的实体关系抽取模型。该模型分为实体关系抽取和生成实体关系特征两个部分,在训练过程中分别使用不同的损失函数进行误差反向传播。基于此,使得模型的两个部分能够在训练过程中共同提高,从而得到不错的实体关系抽取模型。最后本文设计实现了一个通用的实体关系抽取框架,在其基础上能快速实现实体关系抽取算法并进行结果分析比较。该框架对数据集以及结果分析的统一处理,实现对模型训练过程的中断与继续,使用模块化的设计方案方便算法模型的实现。基于此我们设计实现了一个通过输入包含实体的句子输出预测实体关系概率的模型,进而能直接观测模型的输出。