本文介绍了一种基于卷积神经网络的系统，用于提取科学文章中的关系，其基于人工神经网络进行关系提取的方法近期得到了研究。该模型在 SemEval-2017 任务 10（ScienceIE）中的科学文章关系提取（子任务 C）中排名第一。

Apr, 2017

通过结合学习表示和结构化学习的优点，我们提出了一种最小监督关系抽取方法，可以在知识库提供的命题级监督下，准确地预测句子级别的关系提及。通过在学习期间明确地推理有关缺失数据，我们的方法能够在缓解远程监督的标签噪声的同时进行大规模的一维卷积神经网络训练。我们的方法在最小监督下的句子关系抽取方面实现了最新的成果，优于许多基线方法，包括仅使用神经模型的注意层的竞争方法。

Mar, 2019

本文介绍了一种基于最短依赖路径和卷积神经网络的方法，用于在科技论文中进行语义关系的提取和分类。该方法在任务中排名第三，对于干净数据和有噪声数据的关系分类整体 F1 得分分别为 76.7 和 83.2。此外，对于干净数据的综合关系提取和分类，它获得了 37.4 和 33.6 的 F1 得分。

Apr, 2018

本文提出了一种基于循环神经网络的简单框架，并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点，并在使用 MIMLRE 数据集的实验中表现出优异的性能。

Aug, 2015

本文提出了一种基于卷积神经网络的分类方法，通过采用新的成对排名损失函数来降低人工类的影响，在 SemEval-2010 任务 8 数据集上取得了 84.1 的准确度，超过了使用 softmax 分类器的方法，证明了仅使用单词嵌入作为输入功能就足以实现最先进的结果。

Apr, 2015

本文提出了一种新结构 —— 增强依赖路径（ADP），并利用基于依赖的神经网络（DepNN）来利用这种结构，最终在 SemEval-2010 数据集上取得了最先进的结果。

Jul, 2015

本文提出了一种 SDP-LSTM 神经网络方法，并使用其进行语句中两个实体之间的关系分类，其相较于现有方法在 SemEval 2010 关系分类任务上获得了 83.7％的高 F1 值。

Aug, 2015

本文提出了一种新的文档级图形结构的交叉句关系提取模型，该模型利用各种句间和句内依赖关系构建图形，并利用多实例学习和双仿射配对评分来预测实体对之间的关系。实验结果表明，该模型在两个生物医学数据集上的表现与最先进的神经模型相当，并且文中提到的所有图形类型对于交叉句关系提取都是有效的。

Jun, 2019

通过引入 Sub-Tree Parse 和基于迁移学习的先验知识，我们提出了一种新的基于词级级别远程监督的关系提取方法，可以从自动构建的包含噪声词语的低质量句子数据集中提取关系，实验结果表明我们的方法相对现有最优工作提高了 Precision/Recall (PR) 的面积从 0.35 到 0.39.

Aug, 2018

本文提出了一种名为 ReRe 的管道方法，通过句子级别的关系检测和主谓对象提取来实现样本有效训练，将关系抽取问题转化为正无标记学习任务，缓解了负样本引起的误差问题，实验结果表明，该方法能够持续超越现有方法并且即使在学习大量的假阳性样本时仍保持良好的性能。

May, 2021