关系分类(又称语义关系分类),是信息抽取领域中实现文本结构化的重要方法之一,它在机器翻译、信息检索、自动问答、知识库构建等多项自然语言处理任务中都有着广泛的应用。伴随着深度学习在自然语言处理领域多项任务上取得了突破,人们开始探索将深度学习应用在关系分类上,基于深度学习的关系分类成为了研究热点之一。现有的基于深度学习的关系分类,主要在两阶段任务上,包括实体识别和语义关系分类,分别构建网络模型。然而,该类方法普遍存在以下问题:(1)现有的方法在两阶段上采用分步训练的方式,因而在实体识别阶段产生的错误会传播到语义关系分类阶段,造成错误累积的问题,从而影响最终的分类效果;(2)不同的句法结构存在结构上的差异性,基于特定句法结构的网络模型不能直接使用在其它结构上,存在鲁棒性较差的问题。针对上述问题,本文提出了基于叠层循环神经网络的语义关系分类算法。该算法的模型框架分为两层,分别是序列预测层和关系预测层,并将这两层进行嵌套作为完整网络模型进行端到端的训练。主要工作如下:(1)序列预测层:本文构造了Bi-LSTM-CRF融合注意力机制的网络。首先,利用Bi-LSTM获取序列的双向隐状态编码信息;其次,在注意力机制下对其进行二次学习以调整权重分布;最后,通过CRF层基于BILOU标注模式进行解码,从而预测实体标签信息。该层旨在提升模型对序列上重点信息的关注度,并充分利用上下文信息进行解码,从而提升实体识别效果。(2)关系预测层:本文构造了一种融合多句法结构的Bi-Tree-LSTM网络。该层通过将全树、子树和最短路径结构加权融合在同一网路中,分别从自顶向下和自底向上两个方向上充分学习结构信息,获取三元组结构信息的候选关系,最后通过SoftMax分类器预测候选关系的类别标签。该层旨在将多种句法结构融合在同一网络中,从而增强模型的鲁棒性。(3)本文通过将关系预测层嵌套在序列预测层之上,利用共享参数在同一个网络中进行端到端的训练,使得两阶段互相促进,从而提升了分类效果。本文在SemEval-2010 Task8数据集上取得了86.3的F1值,优于现有的前沿方法。同时分析了序列预测层和关系预测层的实验效果,验证了算法的有效性和鲁棒性。