本文介绍了一种新颖的边缘编辑方法，旨在从文档中提取关系信息，并将文档中的关系视为实体之间的关系图。我们利用预训练的 transformer 模型和图卷积神经网络模型对边缘进行分类，通过对初始图形的边缘进行编辑，构建关系图。我们将我们的方法应用于从材料科学文本中提取材料合成过程，并进行了实验证明。实验结果表明，我们的方法可以有效地编辑由我们内部基于规则系统和空图形引导的图形。

Jun, 2021

本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

Jun, 2021

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

本文提出了一种新的模型对文档级别关系抽取进行建模，该模型能够对全局和局部的实体表示以及上下文关系表示进行编码并提供更好的实验结果。

Sep, 2020

提出了一种基于图的神经网络模型，用于关系提取，将句子中的实体对作为节点放置在全连接图结构中，边用围绕实体对的位置感知上下文表示，构建了不同关系路径，通过迭代更新边表示为更长的路径表示。在 ACE2005 数据集上实现了与最先进系统相当的性能而不使用任何外部工具。

Feb, 2019

通过引入 NC-DRE 图表模型的编码器 - 解码器框架，将非实体线索信息与图神经网络 (GNN) 进行解码器到编码器注意机制的协同作用，从而提高复杂跨句子关系的关系抽取效果。

Apr, 2022

本文提出了一种名为 GAIN 的双重图聚合和推理网络，利用异构提及级别图来建模文档中不同提及之间的复杂互动，另外构造一个实体级别图，并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明，GAIN 相对于之前的最先进技术获得了显著的性能提高（F1 值提高了 2.85 个点）且代码已经公开。

Sep, 2020

本文提出了一种新颖的判别推理框架来显式地建模文档中每对实体对之间的推理路径，并利用构建的图形和每个实体对的矢量化文档上下文来估计不同的推理路径的关系概率分布，从而识别它们的关系，实验证明我们的方法在大规模 DocRE 数据集上优于之前的最优表现。

Jun, 2021

该研究提出了使用 encoder-classifier-reconstructor 模型来解决 DocRE（document-level relation extraction）中因图形结构普遍建模不含关系的实体对而导致性能较差的问题，并在大规模 DocRE 数据集上得到了显著的性能提升。

Dec, 2020

我们提出了一种关系图方法，用于明确利用关系之间的相互依赖性，在文档级别关系抽取中考虑关系的相互关联，并通过关系图模型化关系之间的相关性，以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能，在文档级别关系抽取中考虑关系的相互关联的有效性。

Oct, 2023