实体关系抽取作为自然语言处理和信息抽取领域的核心任务之一,它是通过关系抽取技术从非结构化或半结构化文本中提取特定实体和关系等事实信息,并以结构化的形式保存下来。而目前大多公开的研究集中在处理简单场景,将实体关系抽取转换为句子级别的分类任务,难以处理现实场景中普遍存在的一句话中包含多实体和多关系的抽取情况。在医学相关领域,卫生信息化程度不断提高,医疗信息系统不断完善,聚集了海量的医学数据。从模态各异的数据中提取结构化信息,并加以管理、共享和应用,是医学智能化过程中亟需解决的关键问题。但医学领域一直缺乏开源的知识库,并且医学数据种类繁多、形式各异,从医学非结构化及半结构化文本中提取高质量的医学知识为后续知识图谱构建等上层应用提供数据支撑仍然存在困难。针对以上问题和挑战,本文的主要工作内容如下:(1)提出了一种基于指针-生成器结构的多实体关系抽取方法,将实体关系抽取任务转换为文本生成式任务,即,将实体词和关系词作为目标文本进行生成,来解决非结构化文本中重叠的多关系抽取问题,实现了关系三元组抽取性能的提升;(2)基于此,进一步提出一种基于Hierarchical LSTMs结构的多实体关系联合抽取方法,低层LSTM用于预测关系,高层LSTM用于识别隶属于当前关系的一对实体,明确实体和关系的生成位置,同时更好的融入关系信息指导对应的实体标注序列的生成,提升联合抽取中实体识别的准确性,进一步提高抽取关系三元组的准确性;(3)基于中文医学领域非结构化及半结构化文本的实体关系抽取技术,实现针对本地文本、疾病百科网页等多源异构数据的知识提取,并集成一套医学结构化知识的抽取工具,同时输出一套中文医学结构化知识。基于上述模型和工具,针对当前市场上缺乏开源的实体关系抽取系统,本文搭建基于Web的医学实体关系抽取服务系统,实现从数据收集、到知识抽取、再到数据可视化的全流程工程化服务系统,为研究人员和相关用户提供技术服务。系统共分为数据采集模块、知识抽取模块、知识存储模块以及可视化模块。