关系抽取技术能够快速有效地从海量的文本语句中抽取出结构化的关系事实,提供给人们更精细地信息检索与辅助决策服务。迄今为止,基于完全监督的关系抽取已取得可观的成效。然而,完全监督对训练样本的真实性要求严苛,若采用人工标注费时费力。相比之下,弱监督学习因标注工作成本低廉,更贴合人们对大规模数据处理的需求。但弱监督信号带来的错误标注、样本类型标注不均等问题致使抽取性能受到影响,严重阻碍了弱监督关系抽取在实际生产生活中的应用。针对弱监督错误标注问题,本文提出了一种基于权衡机制的远程监督关系抽取神经网络框架。该框架在句子层级上结合文本语句与实体对的嵌入词向量表示所包含的语义信息以预测关系事实。为此,本文首先设计了一种权衡机制。该机制能够依据文本与实体对的内容自适应地为它们分配影响力权重。其次,框架运用多层软注意力机制筛选出有价值的语义信息,约束关系抽取任务中的弱监督信号。针对远程监督标记训练集中不同关系类别样本数量不均衡的情况,本文在基于权衡机制的抽取框架基础上,提出了融合多源语义表示的弱监督关系抽取模型,以增强抽取模型在样本不平衡情况下的鲁棒性。模型首先利用一阶逻辑推理将包含人类感知的非文本离散化监督知识统一整合成低维连续向量以反映文本特性,扩大弱监督关系抽取的特征空间。之后,从文本内容与文本特性两方面出发,采用不同的学习方法挖掘文本语句中潜在的语义信息。最后,在神经网络中融合不同形式的弱监督知识,帮助模型辨识多样化的关系事实。在广泛使用的数据集NYT-Freebase上的实验结果表明,基于权衡机制远程监督关系抽取框架有效缓解了错误标注噪音的影响,抽取精度提升显著。此外,优化后的基于多源语义表示融合的弱监督关系抽取模型与现有算法相比精确性表现优异,并且能够挖掘出更多训练样本稀少的关系类型实例,在置信度排名靠前300个分类正确的结果中共发现了10种不同种类的关系事实,具有较高的实际应用价值。