资源命名实体识别和实体关系抽取是对资源描述文本进行语义信息理解的重要基础,基于实体和关系可以构建出资源库和资源知识图谱,对资源的深入研究和充分利用具有重要的意义。当前实体识别和关系抽取通常采取基于统计或者基于人工神经网络的模型,目前研究都多是将这两个过程看成分别独立的模型,按顺序依次完成两个过程,由于两个模块有着相似的底层数据处理过程,因此这种方式易造成数据重复预处理,同时也存在错误传播的问题,实体识别阶段出现的错误实体会继续传递到关系抽取模块,影响实体关系的确定。针对当前问题现状,做了以下工作和创新:(1)为克服对人工特征的过多依赖,本文构建了基于深度学习和规则联合的资源实体及关系识别模型,通过基于Bi-LSTM的循环神经网络提取上下文特征,然后利用CRF完成实体识别,构建CNN模型完成关系抽取;由于规则匹配的方式有较高的精确率,本文将深度学习模型和规则模型优势互补,通过制定少量规则对深度学习模型识别结果进行补充和校验,以此提升精确率。(2)提出引入互反馈机制的混合神经网络模型来完成实体及其关系的联合抽取,一是实现两个模块共用相同的词向量转化和上下文特征提取过程,避免重复数据预处理过程,二是实现实体关系抽取对实体识别的反馈校验,以互反馈机制增强两个模型的关联性,抑制两个阶段的错误传播,提升整体识别性能;(3)定义了资源知识的表示结构,提出资源知识集构建算法,由此算法将抽取到的实体及关系生成便于存储和管理的资源知识集。将本文提出的算法应用在实体数据集上进行实验,在同等硬件和软件环境下,本文提出的方法可以缩短模型训练时间,实体及关系抽取的精确率、召回率、F1值均有提升,联合抽取的F1值整体提升3.91%,实体识别子模块F1平均提升1.34%,关系抽取精确率可以达到75.02%,F1值提升5.79%,对实体关系抽取的效果提升明显。实验结果表明联合抽取模型可以实现两个子模块的合并来降低数据处理时间和错误数据的传递,互反馈的机制可以提升整体识别效果。