在互联网中存在着大量的文本数据,信息抽取可以从文本中提取出有效信息为我们所用,而关系抽取是信息抽取中重要的步骤之一,现有的关系抽取方法通常需要较多的标注语料,这需要大量的人力物力,而远程监督的方法又存在着噪声和长尾分布问题。由此,少样本关系抽取问题被提出。在少样本关系抽取任务中,模型需要使用极少数据进行关系抽取。本文针对少样本关系抽取问题,从以下几个方面进行研究:(1)基于类别特征表示的少样本关系抽取方法研究。基于类别特征表示的少样本关系抽取方法有着较快的预测速度和较低的硬件资源占用,有着广阔的应用场景。本文使用与训练模型BERT作为关系实例的编码器,研究了两种类别特征表示方法,分别基于图注意力网络和动态路由机制进行类别特征表示。(2)基于匹配的少样本关系抽取方法研究。针对类别特征表示方法中存在的实例特征表示过程和类别特征表示过程中所存在的特征损失问题,使用查询实例与支持集合中的每个实例进行匹配,得到查询实例与该支持集合的相似度。提出模型BERT+ESIM,并从编码层,句子匹配层,损失函数,对抗训练多个方面进行研究。(3)进一步研究基于匹配的少样本关系抽取方法,提出分段注意力匹配网络,针对关系抽取实例进行模型结构优化,在编码层使用BERT-Sequence并根据实体位置进行分段,针对不同领域验证集段长分布差异问题,使用动态段长进行领域自适应,在句子匹配层,使用分段注意力机制计算句子相似度,能够更准确的计算关系实例间的相似度。分段注意力匹配网络在Few Rel1.0测评中取得了较好效果,在Few Rel2.0测评中取得了目前榜单中的最好效果。