远监督关系抽取任务通过将知识库中的关系事实与语料库对齐自动产生训练数据,有效地减少了手工标记数据的成本,并且被广泛地应用在大型语料库中以查找新的关系事实。然而该方法在自动生成训练数据的同时却不可避免地引进了大量的噪声数据,这对于模型的训练很不利。在这里我们利用互信息分别从句子级和单词级进行降噪,以解决此问题。我们的方法均是通过有效句子间的互信息实现,而该信息的获取主要基于“有效句子间是存在联系的,往往共享一些共性信息,而无效的句子通常与其它句子无联系”假设。我们在包内将每个句子相互之间进行对比交互后,利用注意力机制为每个句子获取与包内其它句子间的共性信息。最后将收集到的包含正确信息的共性信息作为句子间互信息,利用该信息对数据进行降噪。一方面,多数句子级降噪方法通过基于句子编码后输出的信息进行降噪,句子之间往往相互独立,这经常会导致部分关键信息的丢失。在获取每个句子互信息的过程中,标记正确的句子相比较错误标记的句子能够收集到更多共性信息。利用基于输出层句子编码后得到的互信息,我们将原来得到的句子信息进一步补充,使得模型在识别每个句子信息时都能参考包内其它句子信息,避免关键信息的丢失。同时也强调了有效句子中的正确信息,从而模型更易识别出正确的句子。另一方面,远监督关系抽取任务也存在着单词级别的噪声问题,即不是每个单词都参与关键信息的构建。我们结合密集网络多层次的特点,使用网络中间层句子编码后收集到的互信息进行单词级的降噪。正确句子间的互信息中含有关键信息,而关键信息的构建也一定是来自重要单词,所以参与关键信息构建的单词一定与互信息之间存在联系。我们通过增加与互信息关联值大的单词权重,进而提高模型在单词级别的抗噪性。本文主要贡献:（1）首次使用互信息优化远监督关系抽取任务,通过对该信息的获取,提高了包内句子间的联系,也避免重要信息的丢失。（2）将编码后的句子特征利用互信息进行补充,丰富了句子特征的同时也使得模型更易识别出正确的句子,提高模型的句子级抗噪性。（3）结合密集网络设计关系抽取模型,使模型拥有获取深层语义的能力,而且利用从密集网络得到的互信息降低了噪声单词对模型的干扰。为了保证实验的可比性和公平性,我们选择公测数据集和相当的参数规模进行了对比实验。我们在句子级与相关基线方法进行比较实验,还进行基于密集网络模型的抗噪性验证实验。在此基础上,在单词级与相关的方法进行了对比实验。模型同时在句子级和单词级降噪表现最优。结果表明,基于互信息的方法在单词级、句子级以及同时在两级上的效果相比对应最新基线方法都有提高。