实体关系抽取是自然语言处理中一个重要的基础任务,最终目标是抽取出给定句子中的关系三元组,从而达到扩充知识图谱的目的。有监督的实体关系抽取需要大量的专家标注,训练数据的规模成为关系抽取发展的瓶颈。为了解决该任务中标注时耗费大量人力的问题,研究人员提出了远程监督的方法进行大规模的自动标注。通过对齐现有的知识图谱和纯文本数据,远程监督可以得到大量的自动标注数据。然而,由于对齐的假设过于强,标注的数据中存在着大量噪声数据,对模型的训练和测试带来了巨大的影响。因而,在远程监督下的关系实体关系抽取任务的关键就是如何去噪,这也是本文研究的主题。首先,本文发现并讨论了影响函数和噪声数据判别之间的关联。影响函数作为分析训练集中每个训练样本对训练影响的鲁棒性统计方法,将训练样本的影响定义为移除该样本重新训练后,在测试集上的损失的变化。影响函数定义和计算过程与噪声判断有着很强的联系。基于此联系,本文设计了一种使用影响函数进行噪声筛选的准则IF-D。将该准则在自举法的框架下使用,从而构建了一个去噪算法。实验表明,影响函数可以用于判断远程监督标注下的噪声数据,而基于此设计的算法对于去噪有一定的作用的同时并具有可解释性。其次,在对准则IF-D进行了错误分析后,得出了在高噪声环境下其去噪的能力无法得到保证。为了解决这个问题,本文构建了更合理的判断噪声的准则IF-C,在进行噪声数据的判断时可以尽可能少的受到原数据中噪声比例的影响。同样将准则IF-C融入自举法中,并且在自举法中加入了teacher-student机制,对参数的更新进行控制。实验结果表明,该算法在公开数据集上取得了有竞争力的效果。同时,为了量化分析算法的去噪能力,本文构造了一个人工噪声数据集以模拟不同比例下的噪声环境。在模拟噪声数据集上的效果证明了该算法的鲁棒性。最后,本文提出了一种基于图神经网络的去噪算法。通过图神经网络建模远程监督得到的噪声数据集中的样本及样本之间的关系。在使用了图注意力网络后,动态地在训练时利用注意力权重拉大了噪声样本与正确样本之间的表示距离。更重要的是,得到的注意力权重可以用来减少噪声数据对训练的影响。实验表明,该方法具有良好的去噪效果。总体而言,本文提出的三个方法中的前两种基于影响函数的方法是属于对样本级别的噪声进行前处理,在正式进入训练关系抽取模型前筛除噪声数据,从而彻底消除噪声对训练的影响。第三种属于是一种训练时通过权重减少噪声数据对训练的影响,从而得到一组更好的参数。两类方法都能实现远程监督关系抽取下的去噪。