知识图谱作为人工智能技术的重要分支,通过构建大规模语义网络为互联网时代的知识获取和信息处理提供了便捷。随着人工智能技术的不断推进和应用,知识图谱的研究工作也发挥了重要价值。知识图谱构建过程包括了信息抽取、知识融合、知识加工等子过程。关系抽取是信息抽取的子任务,旨在从无结构化文本中抽取实体对之间的关系,形成结构化数据。本文针对少样本数据的关系抽取问题进行研究,提出了基于迁移学习和深度学习模型结合的关系抽取方法,解决了少样本数据条件下的关系抽取问题。主要研究成果如下:1.针对少样本领域关系抽取问题,提出了一种基于分段卷积神经网络和迁移学习的关系抽取方法。该方法结合了迁移学习方法和深度学习模型,利用源域数据在模型中的预训练参数,目标域数据重训练的方式完成关系抽取任务。首先,将文本进行词向量表示,作为网络结构的输入,同时考虑到加入不同特征对于最终关系抽取(分类)结果的影响,本文在文本表示中加入了词嵌入、位置嵌入、词性特征和句法特征。然后将源域数据在模型中进行预训练并保留卷积层参数,最后对卷积层参数进行迁移,并将目标域数据在网络中进行重训练,以提高目标数据最终关系分类结果的准确性。同时使用多粒度卷积核探究卷积核粒度大小对关系分类结果的影响。2.针对卷积神经网络结构提取局部特征的局限性导致部分特征缺失的问题,提出了一种基于融合网络结构和迁移学习的关系抽取模型。双向长短期记忆网络结构对于长文本信息的特征提取较卷积神经网络结构有一定的优势,可以提取文本的时序性特征。本文利用双向长短期记忆网络对源域数据进行预训练,并保留网络参数。为了更好地提取目标域数据的特征,在重训练过程中利用了双向长短期记忆网络与卷积神经网络融合的网络结构进行特征提取并完成最终的关系抽取任务。实验结果表明,结合了迁移学习方法的深度学习模型对于少样本领域关系抽取任务行之有效,可以将本文提出的方法应用于关系发现,自动问答等任务。关系抽取任务将为进一步完善知识图谱奠定基础。