开放关系抽取能在不预设关系词表的情况下,对语料进行灵活的关系抽取,快速对知识进行有效的组织、整理。然而开放关系抽取的语料通常包含大量结构复杂的文本。现有的开放关系抽取方法在抽取这类复杂文本时,效果较差,主要存在如下问题。一是句子结构复杂,难以分析出准确的句法分析结果为开放关系抽取提供数据支持。二是复杂文本中的实体词通常是由多个词语构成的名词短语,识别难度较大。三是复杂文本存在关系重叠的现象,以往的抽取方法难以完整抽取出所有的关系数据。针对以上问题,本文提出了基于长句简化的开放关系抽取和基于多任务学习的开放关系联合抽取两种优化方法,提高对复杂文本的开放关系抽取性能。主要研究内容如下:（1）提出一种基于长句简化的开放关系抽取方法。该方法首先利用序列到序列模型对复杂长句进行简化,然后按照基于规则模板的抽取方法对简化后的句子进行关系抽取。在关系抽取过程中,首先根据词性信息的启发式规则,对实体进行识别,然后利用句法分析结果,对化简后的子句设计专门的抽取规则。（2）提出了一种基于多任务学习的开放关系联合抽取方法。该方法利用序列到序列模型对复杂文本直接进行开放关系联合抽取。通过一种特殊的关系序列表示方法对多关系数据进行序列转化,然后基于序列标注和特殊掩码机制,实现对实体标签预测和关系抽取的多任务学习。最后根据预测的标签引导模型生成关系数据中的实体。（3）构建了示温漆研制过程知识库。首先根据领域专家意见,从涂料专业参考书和国内期刊中收集示温漆研制过程知识语料。然后根据本文提出的开放关系抽取方法对示温漆研制知识的关系数据进行了抽取。最后根据抽取出的关系数据和整理的词条数据,构建了领域知识库,并对其进行了可视化展示。