该研究使用 CrowdTruth 方法将人类注释信号扩展到相似的低维空间中的句子，从而显着提高了句级多类关系分类器的性能。

Sep, 2018

本文提出了一种使用知识推理方法检测潜在误差样本的方法，以提高使用远程监督数据训练关系提取系统的性能。

Sep, 2015

本文使用深度神经网络进行了遥感监督关系提取，通过建立新的人工标注测试数据集 NYT-H，对遥感监督法进行了更为准确和一致的评估，并发现与使用 DS 标注测试数据的对比系统的排名列表有所不同，说明人工标注数据对于遥感监督关系提取的评估是必要的。

Oct, 2020

研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声，进而将它们分配为负面样本以解决误报问题，实验表明该方法显著提高了远程监督方法的性能。

May, 2018

本文提出了一种新的关系抽取策略 ——2-hop DS，结合多层感知器和整合 1-hop DS 和 2-hop DS 提高了远程监督下的关系抽取效果。

Sep, 2019

本论文介绍了两种新的用于远程监督下关系抽取的单词注意模型，同时提出了一种组合模型，并在多个真实数据集上进行了广泛的实验来证明这些方法的有效性。

Apr, 2018

本研究提出了一种双重监督框架，旨在有效利用人工标注数据和远程监督数据来训练关系抽取模型，以应对不同类型的监督数据。该模型采用两种不同的预测网络，分别用于预测人工标注和远程监督标签，并引入不一致性惩罚机制进行优化，实现了更高的抽取精度。

Nov, 2020

本研究提出了首个远程监督应用于跨句关系抽取的方法，基于图形表示从多条路径中提取特征，实验表明我们的方法可以学习一种准确的跨句提取器，并提取了两倍于现有远程监督范例的关系，从而证明了跨句关系的普遍存在和本方法的优越性。

Sep, 2016

本研究提出了一种基于预训练模型的方法，用于减少文档级别关系抽取中由远程监督产生的噪声。实验结果表明，该方法能够从噪声数据中捕获有用的信息，取得了良好的效果。

Nov, 2020

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