基于文本的信息抽取任务是自然语言处理领域的一个重要研究方向,也是很多前沿工作的研究基础,例如问答系统、信息检索、知识图谱构建等。其中,关系抽取任务是信息抽取中的一个重要分支,其旨在自动从文本中检测并识别实体之间的特定语义关系,进而将网络中海量的非结构化文本转化为结构化或者半结构化数据,使信息具有更高的利用性,是一个极具实用价值的研究课题。目前,常用于关系抽取任务的方法中,深度学习的方法凭借其优异的拟合能力和灵活的结构设计,得到了广泛的应用和较好的效果。但是,深度学习的表现非常依赖于数据量,在关系抽取任务上,虽然已有很多复杂的模型,但在传统的实验设定上效果提升不明显,对于训练数据量少的关系类别,深度学习很难发挥其潜力。为了缓解有监督学习的标注样本依赖性,本文分别从样本不均衡时的深度学习网络训练策略、语言预训练网络的应用及优化两个角度进行了研究。本文的工作主要分为以下两部分:1)从优化训练方法的角度出发,构建基于卷积神经网络的关系抽取模型,在关系向量表示和损失函数选择两方面提出了有效的优化策略。为了缓解样本不均衡对关系抽取系统训练的影响,在关系向量表示方面,本文提出了一种具有先验知识的关系向量表示方法,应用于神经网络的分类层;在损失函数选择方面,本文设计了一种特定类别的铰链排序损失函数,加强网络对于少样本类别的学习。进而在不均衡的样本分布下训练了鲁棒的关系分类器,通过实验证明,本文提出的优化策略可以帮助分类器在仅有少量标注样本的条件下,更有效地识别出少样本关系实例的关系类别。2)从丰富语言背景知识的角度出发,构建基于预训练语言模型BERT的关系抽取模型,并针对关系抽取任务的特性在输入层和训练策略上提出了两个有效的模型改进方法,验证了在数据分布不均衡的条件下,其在关系抽取方面的效果。在输入层,本文针对关系抽取任务的实体感知特性,提出了片段向量方法,在反映实体位置信息的同时,更好地体现了语句在目标关系类别方面的信息;在训练策略方面,本文针对参数训练不均衡的问题,提出了分阶段梯度更新的策略,对于新引入的参数和BERT参数在训练过程中进行不同程度的微调,有效提升了关系分类效果。