随着计算机网络技术的发展以及智能设备的普及,人们通过互联网进行交流的热情愈发高涨,网络信息随之变得复杂多样。如果能够从大量非结构化的电子文本中快速准确地提取到真正有用的信息,将有助于人们理解并更好地利用这些信息资源。面对上述挑战,信息抽取技术应运而生,本文研究的关系抽取正是信息抽取的核心任务。关系抽取通过对文本信息建模,能够自动化地抽取实体对及其语义关系,完成信息语义挖掘。其得到形如<实体,实体,关系>的三元组可用于构建知识图谱、智能问答及智能搜索系统,用户从中可以快速获取所需要的知识,免于繁琐费时的筛选浏览工作。本文基于对抗网络方法对跨领域关系抽取问题展开研究。不同于广义关系抽取中对名词实体对的抽取,本文主要抽取目标是文本信息中的形容词名词对,这种关系抽取可以更好地帮助人类理解文本传达的意见信息。首先,提出了一种在对抗神经网络中融合弱监督标签的跨领域关系抽取框架。该方法充分发挥了图模型的图表示优势,能够对不同词对包之间以及包和提及之间的结构关系作出分析,进而产生目标域上的弱监督标签。基于上述获得的弱监督标签,设计新的目标函数在对抗网络框架下完成领域自适应模型训练。之后,针对图模型概率图计算效率低和神经网络训练速度慢等问题,为了保证模型在对即时性要求高的业务场景具有更强适应性,本文提出了样本和特征迁移结合的对抗网络训练框架。该框架在去除域相关样本后进行对抗领域自适应训练,可以有效地提升模型训练效率。以上两种算法模型的效果均在亚马逊五大产品评论数据集上得到实验验证。最后,基于上述两种算法设计并实现跨领域关系抽取系统,系统覆盖了数据处理、词对提及生成、抽取算法、模型预测等流程,实现了目标关系的自动化抽取。