本研究提出了一种使用神经网络的模型，能够同时提取实体和它们之间的关系，并通过 LSTM-RNNs 进行优化，与现有的基于特征的模型相比，实现了较大的性能提升，并且在 nominal relation classification 方面与 CNN-based 的模型相比表现更好；还通过消融分析研究了多个模型组件和预处理对实验结果的影响。

Jan, 2016

本文提出了一种通过层级循环神经网络和残差学习的知识库关系检测方法，并结合实体链接技术实现了简单问题和复杂问题的全新的知识库问答系统。实验结果表明，该方法检测性能优异且能够帮助问题回答系统取得最佳准确度。

Apr, 2017

本文提出了基于卷积神经网络和循环神经网络集成的关系分类和抽取系统，在 SemEval 2018 任务 7 的 4 个子任务中中有 3 个排名第一。我们提供了设计选择背后最相关特征的详细解释和论据，并分析了它们的重要性。

Apr, 2018

本文提出了一种新颖的端到端循环神经模型，结合了实体感知的注意力机制和潜在实体类型（LET）方法，以解决语义关系分类任务中现有模型对高级语义和句法特征的过度依赖和未充分利用实体信息等问题。在 SemEval-2010 任务 8 上的实验结果表明，该模型在无需高级特征的情况下胜过现有最先进的模型。

Jan, 2019

本文提出了一种新颖的知识 - 注意力编码器，并介绍了三种将知识 - 注意力与自注意力相结合的有效方法。提出的关系提取系统是端到端和完全基于注意力的，实验证明知识 - 注意力机制与自注意力相互补充，在 TACRED 上实现了最先进的性能，并且胜过了现有的 CNN、RNN 和自注意力模型。

Oct, 2019

本文提出一种结合了 LSTM 和 CNN 模型的组合模型 (LSTM-CNN)，利用词嵌入和位置嵌入来实现跨句子 n 元关系抽取。该模型利用了 LSTMs 和 CNNs 的特性，同时利用长距离的顺序信息和捕获大部分信息特征，是跨句子 n 元关系抽取的一种有效模型。该模型在标准数据集上进行评估，表现明显优于 CNN、LSTM 以及组合 CNN-LSTM 模型，并且优于当前跨句子 n 元关系抽取研究的最新成果。

Nov, 2018

本文提出了一种新的句子分布估计模型和全新的关系抽取器，通过较弱的远程监督假设以及两级强化学习模型选择正确标记的句子来解决嘈杂数据的影响，最终达到比基线模型更好的 n-ary 跨句子关系提取任务性能。

Sep, 2020

本文提出一个神经网络模型，用于联合抽取命名实体和它们之间的关系，无需手动设计特征。该模型采用深度双仿射关注层扩展了 BiLSTM-CRF 实体识别模型，以建模关系分类中潜在特征的二阶交互。在 benchmark 数据集 CoNLL04 上进行实验，结果显示该模型的表现优于之前的模型，创造了新的最好表现。

Dec, 2018

本文提出了一种将传统基于特征的方法、卷积神经网络以及循环神经网络相结合的方法，以在关系提取任务上取得最先进的结果。

Nov, 2015

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