近年来,网络上音乐数量不断增加,相应的音乐信息也飞速增长,人们对于快速准确的获取音乐信息的需求越来越迫切。因此,面向音乐领域的信息抽取具有一定研究意义,其主要研究内容是从自然语言文本描述的音乐信息中进行命名实体识别和关系抽取。音乐领域的信息抽取是音乐知识图谱自动构建的首要步骤,可广泛应用于音乐领域的信息检索、推荐系统、问答系统和对话系统等研究。本文首先定义了需要抽取的音乐实体类型和关系类别,构建了音乐领域的标注语料,然后在此基础上,对音乐实体识别和关系抽取相关技术进行了深入研究。针对音乐领域的命名实体识别任务,本文首先设计实现了基于字符特征的BLSTM-CRF模型作为基准,然后分别采用三种预训练的字符向量改进基准模型的嵌入层:1.使用Word2vec模型训练静态字向量2.使用Flair框架的双向循环神经网络语言模型训练动态字向量3.使用Google官方提供的中文动态字向量BERT-Base-Chinese前两种字向量均由本文使用对应模型在音乐领域的未标注语料上训练得到,第三种字向量为Google使用BERT模型训练的中文字向量。实验结果表明,三种改进后的模型相比基准模型的识别效果在宏平均F值上分别提升了5.1%、9.57%、9.89%,证明了本文改进方法的有效性。针对音乐领域的关系抽取任务,本文以BLSTM-Attention模型作为基准,在输入层中,基准模型仅仅考虑了序列中各个词语本身的信息和实体的位置信息,忽略了实体类别对关系类别的影响,本文提出了利用带有实体类别的位置指示器特征改进基准模型中的位置指示器特征;在注意力层,基准模型中的注意力机制仅仅考虑了序列中每个词语对关系类别的重要性,忽略了每个词语与两个实体的相关程度,本文提出了利用多头注意力机制分别计算不同特征空间下各个词语与目标实体的相关性,使得模型能够加大句子中与实体关联性强的词语的权重。实验证明本文提出的方法比基准模型取得了更好的关系分类效果。