信息抽取技术能够从无结构的文本数据中抽取出有价值的信息,其结果能够用于知识问答、知识图谱构建等诸多领域。命名实体识别和人物关系抽取作为信息抽取技术的重要组成部分,具有非常重要的研究意义和应用前景。本文改进了一种基于Bi GRU的命名实体识别模型,将其用于关系抽取的数据集构建中,然后在Bi GRU-ATT模型的基础上增加关系词注意力层进行人物关系抽取工作。具体的研究内容如下:（1）改进了基于Bi GRU的命名实体识别模型。针对传统的循环神经网络无法解决文本的长距离上下文信息问题,本文使用ALBert-Bi GRU-CRF模型进行中文命名实体识别,既解决了RNN模型的长距离依赖问题,又可以获取文本的上下文信息。经过实验对比,验证了本文模型识别命名实体的准确率和召回率与目前流行的模型效果相当,但是训练速度在不同的epoch和Batch＿size下有较大提升。（2）对人物关系数据集进行抽取和预处理。针对中文人物关系语料库匮乏的问题,本文首先抽取了近20万条百度百科中的人物关系信息,然后总结人物关系的类别并对数据集进行分类整合,最后通过本文改进的命名实体识别算法对人物关系数据集进行多人物实体的数据剔除,最终获得质量较高的人物关系抽取数据集。（3）改进了基于Bi GRU-ATT的人物关系抽取模型。首先根据文本中存在的关系词能够代表人物对之间关系的特点,构建关系词典并计算关系词的权重,使得模型对含有关系词的文本赋较高权重,对不含关系词的文本赋较小权重,着重学习权重较高文本的语义。然后通过Bi GRU层对文本的上下文信息进行特征提取,最后使用注意力机制对文本的特征进行加权增强。本文所用模型在F1值上相较于Bi GRU-ATT模型提升了9%。