该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

Dec, 2021

研究利用图神经网络 GLaRA 从无标注数据中学习新标注规则来辅助有命名实体识别（NER）任务的研究。在三个 NER 数据集上的实验表明，GLaRA 可以在用少量种子规则的情况下，在性能指标 F1 得分上实现平均提升 20％。

Apr, 2021

本研究提出了一种方法，以便快速生成高质量数据集用于关系抽取任务，并训练神经模型以对所创建的数据集进行关系抽取来实现很好的结果，并广泛适用于其他数据集。研究中，我们能够在合理的时间内注释 10,022 个句子的 19 种关系，并为每种关系训练一个常用的基线模型。

Apr, 2022

本研究提出了一种基于序列标注与双重感知机制（Local-aware Attention 和 Global-aware Convolution）的混合神经网络模型（HNN4ORT），以克服 Open relation extraction 任务中训练数据不足与特定神经结构建模的问题，并通过多种测试表明其显著的性能优势。

Jul, 2019

本文提出了一种新颖的神经架构，利用表格结构和二维卷积技术进行本地依赖特征池化，从而改善了以往的最佳性能，在不需要全局优化的前提下实现了端对端关系提取任务（包括命名实体识别和关系抽取），相较于之前最好的结果提高了约 1％的 F1 分数，并且训练和测试时间快 7 至 10 倍。

May, 2019

本篇论文介绍了我们参加 BioNLP Shared Tasks 2019 后在 Named Entity Recognition 和 Relation Extraction 方面的方法，我们的方法可以概括应用于不同语言的文本，包括英语和西班牙语，其中我们使用了语言特征，混合损失，多任务目标和令牌级合成策略以提高 Named Entity Recognition 的性能，使用基于字典的模糊和语义搜索来执行实体标准化， 最后，我们的 Relation Extraction 系统使用带语言特征的 Support Vector Machine，并在相关任务上表现出色。

Oct, 2019

本文主要研究了最新的自然语言处理技术中，神经网络和语言模型在命名实体识别和关系抽取方面的应用以及它们在训练过程中面临的一些挑战。我们发现，预训练的语言模型对发现未曾见过的命名实体表现良好，但对于未曾见过的关系则有待加强，因此模型的理解能力仍存在提升空间。

Jun, 2022

本文提出一种神经模式诊断框架 DIAG-NRE，可以自动从噪音数据中总结和精炼高质量的关系模式，通过在人类专家的循环中实现，以减轻图案编写的劳动强度，使其能够快速泛化到新的关系类型，并在两个实际数据集上展现了与最新技术方法相比显著且可解释的改进。

Nov, 2018

本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系，该模型不依赖于外部自然语言处理工具，而是集成了大量的预训练语言模型， 在三个领域的五个数据集上，我们的模型可以与最先进的性能相提并论，有时甚至具有更高的性能。

Dec, 2019

介绍了一种新的神经符号结构用于关系分类，结合了基于规则的方法和现代深度学习技术，通过语义文本匹配增强规则泛化能力，该方法在两个 few-shot 关系分类数据集上的评估中，表明在四个设置中有三个的性能优于之前的最先进模型。

Mar, 2024