实体识别及关系联合抽取是指从非结构化的自然文本中抽取命名实体并判断实体之间的语义关系。命名实体识别和关系分类在后续自然语言应用任务如知识图谱补全、问答系统、智能搜索等扮演着十分重要的角色。传统方法将实体识别及关系联合抽取分为两步:第一步命名实体识别,先指出可能含有关系的实体对;第二步关系分类,对实体对之间的语义关系进行分类。这种流水线式(Pipeline)方法虽然容易实现,每个部分都具有高度的灵活性,但是该方法却忽视两个子任务之间的相关性,导致实体识别的误差会传播到关系分类任务中,造成总体抽取准确率较差。联合抽取方法同时解决两个子任务,但现有多数方法都采用特征工程。特征工程的使用不仅会引入额外误差,增加模型的运算成本,最重要的是人工特征费时费力且覆盖率较低。此外,自然文本中的复杂语句本身也存在多个实体和多种关系重叠等问题,现有的方法对于此类问题没有很好的解决办法。针对上述目前实体识别及关系联合抽取研究中存在的识别分类与性能方面的问题,本文对基于深度学习的关系分类方法和联合抽取方法展开研究,重点构建表达能力突出、语义丰富且分类准确的基于注意力机制的关系分类模型,并在此模型基础上设计基于多头选择的联合抽取模型。论文的主要工作如下:·对于语义关系分类准确率问题,本文提出一种基于变分自编码器的关系分类模型,该模型由基于时序注意力机制的分类器和基于变分自编码语言模型的正则器组成。从时序角度得到相对于最终语义关系类别的注意力分数,并使用特殊设计的注意力门控循环单元形成语义丰富的序列隐含表示。在语义关系分类器中引入变分自编码语言模型作为正则器,有效提升了分类的准确率。·对于联合抽取的关系重叠问题,本文提出一种基于多头选择的联合抽取模型。分析多头选择联合抽取基础模型中编码特征和关系得分的不足,本文在编码过程添加自注意力,一方面进行句子内部结构特征的提取,另一方面其中的多头注意力能够捕获单词之间相互关联的含义;在关系评分过程引入特殊设计的注意力子句特征,将该注意力子句特征与实体标签信息拼接起来,提高实体之间关系特征的表达能力,从而解决联合抽取中的关系重叠问题。·为了全面评估本文提出的模型,本文在公开数据集上分别进行了关系分类和联合抽取实验。实验结果表明,本文提出的方法具有良好的实验表现,能够有效提升语义关系分类准确率、召回率和F1值,并有效解决联合抽取中存在的重叠关系问题。