远程监管被广泛用于使用自动标记的数据集提取关系事实,以减少人工标注的高成本。但是,当前的远程监督方法存在单词级和句子级噪声的共同问题,这些问题源于句子中大量不相关的单词和许多句子的不正确的关系标签。这些问题导致关系提取的精度无法接受,这对于使用远程监管的成功至关重要。在本文中,我们提出了一种新颖且鲁棒的神经方法,通过减少多粒度噪声的影响来解决这两个问题。在这项工作中,从单词,句子到知识类型的三个级别的噪音都被仔细考虑。我们首先启动基于问题的答案的关系提取器(QARE),以删除句子中的嘈杂单词。然后,我们使用多焦点多实例学习(MMIL)通过正确使用错误标记的句子来减轻句子级噪声的影响。最后,为了增强我们的方法来抵抗所有噪声,我们使用通过转移学习从实体类型分类的相关任务中学到的先验知识来初始化方法中的参数。在现有基准测试和改进的较大数据集上进行的大量实验表明,我们提出的方法显着实现了最新技术