在当今大数据时代,数据正在以指数级的速度膨胀,如何快速从海量数据中抽取出有效的信息已经变得越来越重要。关系抽取作为信息抽取的核心任务,主要目的是从非结构化文本中抽取实体对的语义关系。近年来,关系抽取在文本摘要、知识图谱、知识库问答和机器翻译等领域发挥着重要的作用,是自然语言处理领域比较热门的研究课题。基于深度学习的关系抽取方法近年来被广泛采用,包括基于监督学习的关系抽取、基于弱监督学习的关系抽取。有监督的关系抽取方法人工标注成本高、效率低,因此远程监督的关系抽取方法被提出。远程监督的关系抽取方法是一种弱监督的学习方法,其训练语料是将无标注语料与知识库对齐构建而成。然而由于远程监督过强的假设,导致训练语料中存在噪声标签（被错误标记的标签）,进而影响关系抽取效果。另外,在基于远程监督的关系抽取任务中,多数句子内部存在一些与关系类型毫无相关的单词,即噪声词,这些词对关系抽取也有一定的负面影响。因此针对噪声标签和句子内部噪声词两类噪声问题,本文提出PCNN+AMW模型,主要贡献有:（1）针对句内噪声词问题,本文利用关系类别与实体对的潜在联系,将尾实体向量与头实体向量的差近似代替关系向量,然后通过在输入层计算近似关系向量与各个单词的相关性,对相关性较大的单词分配更高的权重。该方法在词级别应用了注意力机制,可降低句子内部噪声词对关系预测的贡献度,进而提高关系抽取的性能。（2）由于传统的卷积神经网络只建模了输入信息的局部依赖关系,而多头自注意力机制不仅可以在多个不同的语义表示子空间中捕捉不同的语义信息,而且还可以增强局部特征的依赖性和有效特征的鲁棒性,使模型学习到解释性更强、语义更丰富的信息。因此,针对句内噪声词问题,受Transformer模型结构的启发,本文在分段卷积神经网络中引入多头注意力层,即利用多头注意力机制处理卷积层输出的局部特征,以降低句子内部噪声词对模型语义理解的影响。（3）针对噪声标签问题,本文根据交叉熵损失值分布,设计了一种与样本密度相关的权重损失函数。本文认为损失值较大且分布密度较小的样本可能为噪声样本,因此,本文将这类样本的损失值设为0,以避免模型花太多时间去学习这类样本,从而降低噪声样本对模型学习的影响。对于其他样本,其损失函数的权重与这些样本的损失值密度相关。样本的损失值密度越大,损失权重就越小,损失权重越小样本就越容易受到模型的关注,由此来提高模型鲁棒性。为了验证本文提出的方法对关系抽取的积极影响,本文在NYT数据集上进行了消融实验,并以P-R曲线、P-R曲线的AUC值、P@N分数作为性能指标。最后我们在PCNN+ONE、PCNN+ATT、APCCNs和APCNNs+D模型上进行了对比实验。实验结果表明,本文提出的PCNN+AMW模型相比其他以PCNN网络为编码器的模型,其AUC值和P@N分数都明显高于其他模型,验证了本文提出的方法的有效性。