实体关系抽取作为信息抽取的主要任务之一,其目的在于确定无结构文本中两个实体的关系类别,为进一步构建知识图谱、智能问答等应用奠定了理论基础。目前实体关系抽取最常用的方法是有监督的关系抽取方法,尤其将深度学习框架的神经网络模型应用到实体关系抽取任务上,关系抽取的效果更加显著。虽然有监督的关系抽取方法准确率高,但该方法需要大量的人工标注语料,语料的标注过程耗时耗力,因此限制了大规模的实体关系抽取任务。针对人工标注语料严重缺乏的问题,远程监督方法能够通过知识库与语料库进行启发式对齐获取大量标注数据,成为了解决大规模关系抽取任务的主要途径。然而,远程监督关系抽取方法容易产生大量噪声标注数据,影响实体关系抽取的性能。针对该问题,本文提出了一种基于语义相似度的降噪方法,同时结合注意力机制构建了一种融合多层次注意力机制的远程监督关系抽取模型,进一步提高远程监督关系抽取的效果。本文的主要研究工作如下:(1)针对传统远程监督关系抽取方法容易产生大量噪声标注数据的问题,本文提出了一种基于语义相似度的噪声标注数据过滤方法。该方法通过基于词向量的Jaccard相似性度量方法计算句子中实体对之间最短依存路径与关系短语的语义相似度来判断句子是否被正确标注,语义相似度越高,句子正确标注的概率就越高,再将过滤后的标注数据输入到分段卷积神经网络(Piecewise Convolutional Neural Networks,PCNN)关系抽取模型中进行关系分类。最后通过实验验证,本文提出的降噪方法能够显著提高实体关系抽取的效果。(2)针对目前远程监督关系抽取的研究未能充分利用句子上下文词语的高层语义,以及未考虑关系之间存在依赖包含问题,本文提出了一种融合多层次注意力机制的远程监督关系抽取模型。该模型分别在词语层、句子层以及关系层采用了注意力机制,词语层注意力能够充分获取句子上下文的高层语义信息,句子层注意力能够减少标签的错误标注问题,而关系层注意力则能够自动学习不同关系之间的依赖包含关系。在公共真实数据集上的实验结果表明,本文提出的模型相较于当前主流方法的准确率-召回率曲线提高了4%左右,实现了更好的关系抽取效果。