文本数据是互联网内容的重要载体,社交媒体、问答社区、新闻平台等互联网应用每天产生海量的文本数据。面对浩如烟海的文本资料,探讨如何高效地定位、获取有用的信息与知识具有很强的应用价值。例如检索引擎、知识图谱、自然语言处理等技术的不断发展为文本信息挖掘提供了有效途径。文本中概念或实体的上下位关系是一种重要的知识,通过提取和识别上下位语义关系有利于促进知识图谱的构建,进而为上层知识应用提供更好的支撑。目前通过公共字典（例如Word Net等）的方式只能获取公共领域以及少量专业领域的概念以及概念间关系,不能满足专业领域研究的知识需要。为此,研究如何有效地从各专业领域文本中提取上下位关系显得十分必要。定义句是一种用于描述或定义一个概念的特殊文本,其句法较固定,适合作为上下位关系提取算法的语料。关于定义句上位词提取的研究由来已久。早期,研究者们通过采用基于规则的方法来解决这样的问题,这种方法需要人工的拟定规则,耗时耗力且效果不佳。随着统计机器学习方法的兴起,机器学习的方法在此问题上取得了不小的突破,随着近年来深度学习的快速发展,基于分布和基于序列信息处理的方法使该问题的提取效果又得到了进一步改善。然而当前的方法主要聚焦特殊句法结构和传统的词表示特征,方法的应用具有一定局限性。本文提出了一个基于词性的句法结构特征表示,并构建了基于双向GRU（Gated Recurrent Units）的上位词提取模型。基于词性的句法结构特征表示相较于传统的词嵌入方法能够更好的反映出上位词在定义句中的句法结构信息,基于双向GRU的提取模型能够在提取效果和训练时间获得更优的效果。该方法能够在序列特征学习得出输出后,进一步被包括度中心性特征和传统文本词特征修正,从而提高上位词提取的准确度。通过在句法规范程度较高（Wikipedia）和规范程度较低的专业领域文本（Stack-Overflow）的两种数据集上进行验证,实验结果表明本文方法相较于当前其他方法具有更高的精度和普适性,取得了优于目前存在的上位词提取方法的91.2%和92.4%的F值。值得一提的是,我们的方法不仅提供了一个上位词提取的有效方法,而且我们提供了一个利用句法结构来学习语义关系的实例。