实体关系抽取作为自然语言处理（NLP）领域信息抽取的核心任务，在知识图谱构建、智能问答等场景中发挥关 键作用，其效率与准确性直接影响海量非结构化文本的价值挖掘。深度学习凭借自主特征学习能力成为实体关系抽取主流 技术，递归神经网络（RNN）及其变体（LSTM、Bi-LSTM）通过时序建模解决长距离依赖问题，但存在参数训练复杂或 训练周期长等不足；卷积神经网络（CNN）利用卷积与池化操作高效提取局部语义特征，结合位置特征等改进进一步提升 性能，却在长句建模中存在局限；图神经网络（GNN）通过图结构与节点交互优化全局关系建模，在文档级实体关系抽取 中优势显著，其优化聚焦依存树剪枝、多模态图表示等方向；联合学习通过参数共享或序列标注实现端到端建模，部分方 法针对特定领域优化特征融合，提升抽取鲁棒性；大语言模型（LLM）借助大规模预训练与微调增强语义理解和泛化能力， 在低资源、零样本场景及专业术语处理中表现突出，参数高效微调等技术进一步优化其性能。