大数据蕴含有海量信息,地理文本大数据是大数据的重要组成部分,也是构建地理知识图谱的重要数据,但是这些数据中含有大量无用信息,如何从这些数据中过滤出有价值的数据是人们亟需解决的问题。地理知识图谱能够帮助学者们解决这一问题,而实体关系抽取是构建知识图谱的重要任务之一。实体关系抽取大多是运用深度学习的方法完成,但是地理领域的标注语料库非常稀缺,人工标注数据又费时费力,导致难以使用有监督的方法进行抽取,并且无监督的抽取方法效果较差,所以目前的研究大多使用基于远程监督的实体关系抽取方法,该方法能够通过小量知识库与大规模语料库对齐获取大量标注数据,然后利用算法对数据进行去噪处理,最后进行实体关系抽取。这种方法不仅可以减少标注语料的工作量,抽取效果也比无监督的方法好很多,但是目前并没有高质量的地理文本语料库可以使用,所以本文首先构建了一个地理文本标注语料库,然后利用本文改进的模型进行实体关系抽取,最后将本文的改进模型进行实际应用。本文的主要研究内容分为以下几个部分:（1）针对目前缺少专业的地理标注语料库这一问题,本文首先利用百度百科的结构化知识构建地理知识库,使用百度百科与新闻网页上的非结构文本大数据构成语料库,两者对齐得到地理文本的标注语料。其次在目前的远程监督语料标注算法效果不佳的前提下提出基于特征评估和关键词相似度分析的语料标注算法,该算法首先会计算出文本中关键词的词性、与实体的相对位置和距离等特征的权重,结合这三者的权重得到文本中关系词的权重,再结合关键词相似度分析,得到标注语料。最后在本文构建的地理文本语料库上进行实验,结果表明相较于其它几个算法,本文的语料标注算法在准确率和召回率都有一定提升;（2）针对目前大多数远程监督关系抽取模型都是在包或句子的层面对数据进行降噪,忽略了噪声标签对模型性能的影响这一问题,本文将目光集中于标签级别的降噪,针对目前主流的远程监督关系抽取模型常常忽略实体对类型信息与句子语法信息对关系抽取的积极作用这一问题,本文基于Bi LSTM模型,首先在Bi LSTM中加入实体周围词注意力机制层,作为句子编码的第一个模块,其次在前者的基础上加入实体类型嵌入模块,以实体类型丰富句子编码信息,最后将依存句法树模块作为第三个模块纳入模型,三个模块共同组成本文的关系抽取器。再结合强化学习方法,设计一个标签学习器学习句子软标签用以纠正错误标签。标签学习器与关系抽取器共同构成本文提出的深度强化学习模型。在公共数据集ACE2005、Chinese-Literature-NER-RE-Dataset和本文构建的数据集上进行实验,结果表明本文的远程监督实体关系抽取模型在精度和召回率上要优于目前主流的几个模型。（3）将本文模型进行实际应用,设计并实现了关于地质灾害的自动问答系统,此系统的数据部分由本文第三章中采集到的新闻等网页信息组成,算法部分由第四章改进的远程监督关系抽取模型以及问答对匹配部分组成,在一定程度上缓解了专业领域问答资源稀缺的问题。