关系抽取是计算机科学自然语言处理中的重要任务,它能为诸多下游任务,如问答,知识图谱构建提供服务。由于关系抽取模型的构建需要海量的,获取代价高昂的训练数据,这使得远程监督下的关系抽取成为当下的研究热点。针对远程监督的噪音数据问题和当下远程监督关系抽取主流的基于选择性注意力的模型导致的多样性抑制问题,我们利用后验概率正则化框架引入关系类别的专家知识,提出了两种相应的解决方法缓解这两大问题:(1)我们利用后验概率正则化框架,将人类专家在关系抽取领域的经验知识融入样本选择策略中,提出基于规则的样本选择策略,提升样本选择策略的训练效率,减少了策略梯度方法训练过程中所需要的无意义探索,并且提升了样本选择策略的表现,通过此方法选择的样本集合上训练的关系抽取模型也在领域内的权威公开数据集取得了当前最先进水平。由于基于规则的选择策略能够动态的判断每个数据包内保留哪些样本,因此能通过保留的样本数量来实现对数据包质量的评判。(2)我们分析了之前的关于远程监督关系抽取的研究工作的特点以及局限性,提出了之前研究工作导致的多样性抑制问题。针对该问题,我们提出全新的算法框架,利用聚类算法动态构造数据包,并且结合关系类别的专家知识提出两个可信度因子对聚类数据包的可信度做评估,同时使用后验概率正则化框架约束后验概率和损失函数,在丰富数据包多样性的同时,也减少了噪音数据对模型训练的干扰。在实验部分,我们构造了新的句子级别关系抽取的评测数据集。我们设计了证明性实验证明了多样性抑制问题的普遍存在,并且对比我们本章中提出的方法和之前在句子级别关系抽取任务上较有影响力的研究工作的主要性能指标。在我们构造的新句子级别关系抽取评测数据集和已有的公开权威数据集上,我们提出的方法大部分指标均取得了当前最先进水平。描述本文提出的基于规则的样本选择策略的论文被自然语言处理领域顶级会议NAACL 2019录用,基于本文的算法的关系抽取系统在美国国家标准与技术研究院文本分析会议举办的药物相互关系抽取比赛中取得第一名的成绩。