近十几年互联网和移动互联网的急速发展,互联网上的信息呈指数形式快速增长,包括文字、视频、音频等数据格式,此时我们已无法仅靠人力去获取和理解如此庞大的数据量。关系抽取作为自然语言生成和自然语言理解的基础任务备受青睐。关系抽取的任务中,基于远程监督的方法是比较热门的一种。该方法利用知识图谱与语料库进行对齐,从而得到大规模的标记数据来进行模型的训练,不仅大幅降低了实体关系抽取过程中对人工的依赖,而且增加了训练集的规模。然而远程监督带来便利的同时也使训练集增加了噪音数据,这也成为了阻碍远程监督关系抽取性能提升的主要瓶颈。许多研究都致力于从这些噪音数据中识别有效的示例,从而提高关系抽取的准确率。但大部分方法只是独立的处理各个关系,忽略了层级关系类型体系所带来的丰富的关系之间的语义信息,而这些信息对解决长尾问题至关重要。针对这一问题本文提出的多层级的注意力机制,多层级的注意力机制对袋中的每个示例对于不同关系层级的注意力都做了计算,从而获得一个由粗粒度到细粒度的袋的表示。另外,对于目前公共的远程监督数据集,存在训练集和测试集关系类型分布差别大的问题,这也是远程监督关系抽取准确率下降的原因之一。本文通过使用一个简单有效的调整方法——偏差调整来解决训练集和测试集关系分布不均的问题,并提出了两种具体实现方案。最后,本文注意到知识库中辅助信息对于关系抽取模型的提升,分别在句子编码、袋编码阶段利用了知识库中关系触发词和实体类型的信息,进一步提升关系抽取效果。因此基于以上三点,本文提出了基于多层级的注意力机制和偏差调整的关系抽取模型,可以在一定程度上解决上述三个问题。最后通过实验证明,本文提出的基于多层级的注意力机制和偏差调整的关系抽取模型在P-R曲线、AUC（Area Under the Curve）、Hits@K性能指标上略优于主流模型,而且在针对长尾关系中的表现远超其他对比模型。