伴随着互联网数据的爆炸式增长,如何存储、管理、应用这些杂乱的非结构化数据,已成为人工智能领域的热门课题。知识图谱把杂乱数据中的概念、实体及其关系整理成结构化数据,并存储到图结构中,转化为人类认识世界的形式,利于管理、搜索、分析以及应用海量数据。实体关系抽取作为知识图谱构建任务的重要步骤,主要任务是把非结构化文本转化为结构化知识,直接影响着知识图谱的质量。同时,实体关系抽取还是搜索引擎、人机对话、智能交互、用户画像以及机器翻译等技术的基础,具有重要的研究意义。目前,实体关系抽取任务主要有两种解决方案:流水线模型和联合抽取模型。流水线模型把实体关系抽取任务分为实体识别和关系抽取两个子任务,存在着错误传播的现象。联合抽取模型为解决错误传播问题,使用一个模型同时抽取实体和关系,但是现有模型难以处理三元组重叠问题。本文分析了实体关系抽取任务存在的问题,针对问题改进模型,以提高实体关系抽取任务的效果。首先,本文提出了一个基于分解策略的实体关系联合抽取模型。首先,优化模型编码器,采用Word Piece模型、BERT预训练模型、BIO词性序列编码以及Bi LSTM模型,改进编码效果。然后,将实体关系抽取任务分解为两大阶段（头实体抽取和尾实体抽取）,此措施可以帮助模型解决三元组单实体重叠问题。接着,将关系和尾实体抽取分解成并行的三个子过程,此措施可以帮助模型解决三元组中绝大部分实体对重叠问题。最后,将头实体抽取和尾实体抽取的每个子过程,都转化为序列标记任务,利用指针标注模型来处理。本文在NYT数据集上评估本模型,获得了良好的效果,Precision=87.0、Recall=85.1和F1=86.0。然后,本文提出了一个基于机器阅读理解的实体关系联合抽取模型。（1）将实体关系抽取任务转化为两段连续的机器阅读理解任务。阶段一,根据实体类型编制实体问题,抽取文本子序列回答实体问题,得到文本中所有实体;阶段二,根据当前实体和关系类型编制关系问题,抽取文本子序列回答关系问题,得到和当前实体有关系的所有实体。（2）对文本和问题进行编码,利用向量拼接的方式融合文本特征和问题特征,利用指针标注模型来抽取文本子序列生成问题答案。本文在NYT数据集上评估本模型,获得了良好的效果,Precision=86.7、Recall=86.2和F1=86.4。