实体关系抽取是信息抽取领域的一个非常重要的子领域。实体关系抽取任务主要是利用计算机自动抽取命名实体之间的关系。通常,实体关系抽取问题可转化为分类问题,首先列出一个句子中的所有实体对,然后使用一个分类器来判断每对实体所具有的关系。这样,实体关系抽取问题就可以包含两个部分:一个是将自然语言语料转化为分类器能识别的训练测试数据；另一个就是利用分类器来进行关系类型的判断。　　 当前实体关系抽取面临的主要问题是如何在自然语言语料中抽取出有用的信息来提交给分类器进行分类。对于同一训练集和测试集,不同的特征抽取方法可能会导致结果很大的差异。目前,已有的特征抽取方法的主要问题是:　　 1.特征抽取比较任意,完全从主观经验出发,不能保证特征抽取的系统性和完整性,对后续的分类性能会造成影响；　　 2.现有方法一般都是将多种不同类型的特征简单地组合在一个单一的视图中,然后提交给分类器进行训练。而不同类型的特征之间可能具有一定的充分冗余性,这种简单的单视图特征组合方法则可能会降低分类器的性能。　　 本文针对上述问题做了以下的工作:　　 1.研究了从多个视图结合进行特征抽取的方法,利用各个视图的优点来互补对方的缺点,以此来达到提升总体准确率的效果。论文利用改进的特征抽取方法结合集成学习方法,在单视图分类器上应用SVM分类器,多视图结合时使用决策树分类器,得到了良好的测试结果,与单视图方法以及一般的特征组合方法相比,有一定提高。　　 2.设计了一种组合了混合谱核和实体核的合成核,以此来集成和利用各自的信息,更好地刻画关系实例之间的相似度。通过实验,证明这个方法相对于单个核的方法有较大的改进。