第三代半导体材料因其优异的特性在光电子和微电子等领域具有重要的应用价值。而半导体材料领域文献是该领域知识的主要来源,文献中的实体关系是该领域知识的一种重要表现形式。随着近几年第三代半导体材料的迅猛发展,单单IEEE上每个月就增长近1000篇相关领域的文献。过多的文献增长使得研究人员难以及时、准确的获取领域内的最新研究动向或成果。为了能够让机器辅助处理大量领域文献,研究人员使用自然语言处理技术来帮助从文献中提取关键信息。然而现阶段针对通用领域或生物医学领域文献文本的关系抽取模型在第三代半导体材料领域并不适用。因此本文以第三代半导体材料领域英文文献的实体关系抽取为研究主线,针对该领域文献中的语言描述特点以及现有方法的不足,侧重于集成预训练模型和深度学习网络来抽取该领域文献中的材料、器件、方法等实体以及它们之间的关系,具体工作如下:1.针对现阶段缺少第三代半导体材料领域英文文献数据集的问题,本文收集大量该领域的英文文献,定义实体和关系类型,并对这些文献进行人工标注,标注完成后进行人工校验,最后生成两个数据集,分别用于命名实体识别和实体关系抽取任务。2.根据第三代半导体材料领域文献实体识别的特点,本文提出了动态融合BERT-Bi LSTM-CRF模型,该模型集成了BERT强大的特征提取能力和Bi LSTM-CRF结构的优点,解决了领域文献实体识别任务中远距离相关性以及上下文依赖问题。除此之外,本文对BERT模型进行了改进,通过给每个Transformer-encoder的输出赋予动态权重来加权融合这些输出,从而得到包含更丰富语义信息的向量表示,进一步提高了模型的性能。在Co NLL-2003数据集和本文构建的数据集上的实验结果表明,该模型均取得了比主流方法更好的效果。3.根据第三代半导体材料领域文献中实体关系的特点,本文提出了集成BERT和CNN的EI-BERT-CNN模型。该模型能够利用BERT来生成包含全局语义信息的词向量,同时利用CNN网络来提取句子充足的局部特征,解决了领域文献关系抽取任务中远距离依赖和局部相关性问题。除此之外,模型还通过实体信息模块融合了实体短语本身的信息,进一步提高了模型的性能。在Sem Eval2010＿task8数据集和本文构建的数据集上的实验结果表明,该模型均取得了比主流方法更好的效果。最后基于动态融合BERT-Bi LSTM-CRF模型和EI-BERT-CNN模型实现了面向第三代半导体材料领域文献的知识抽取系统。