本文提出了一种有效的两级解码器方法来从文本中提取重叠的关系三元组，该方法通过具有可训练嵌入的关系相关实体解码器和特定于文本语义的关系解码器来解决重叠三元组问题，并在两个公共数据集上取得了优异的性能。

Jun, 2021

本文提出了一种基于双向抽取框架的标记关系三元组抽取方法，该方法在联合提取主体和关系的同时从两个方向抽取实体对，并通过共享编码器组件实现特征互补和提升，使用双仿射模型为每个实体对分配所有可能的关系，在多个基准数据集上验证其性能和有效性，此外，实验证明，所提出的双向抽取框架和共享感知学习机制具有很好的适应性，可用于提高其他标记基于方法的性能。

Dec, 2021

通过结合语义增强机制，本论文提出的 CasAug 模型能够解决关系抽取中的三元组重叠问题，提高关系抽取效果，并能更好地处理重叠问题和提取多个关系。

Nov, 2023

BitCoin 是一种创新的双向标记和监督对比学习的联合关系三元组提取框架，通过考虑主体和客体之间的多个正例，引入惩罚项来防止过度相似度，并实现了从主体到客体和从客体到主体的三元组提取。实验结果表明，BitCoin 在基准数据集上取得了最先进的结果，并显著提高了正常、SEO、EPO 和多关系提取任务的 F1 得分。

Sep, 2023

本论文设计了一种评估过滤框架，将大型语言模型与小型模型整合在一起，用于处理关系三元组提取任务，以获得更准确的提取结果。评估模型能够高精度提取相关实体对，并通过简单的标注原则和深度神经网络对模型进行嵌入，将输出作为提示加入到大型模型的提取过程中。通过大量实验证明，该方法可以帮助大型语言模型从含有多个关系三元组的复杂句子中获得更准确的提取结果，同时也能够嵌入传统提取模型以提高其从复杂句子中的提取准确率。

Apr, 2024

通过使用标准跨度机制和标记跨度机制、构建实体注意力机制，本研究提出了一种完全解决三元组重叠问题的信息抽取方法，并在两个公共数据集上进行了测试。该方法在这两个数据集上达到最佳性能。

Apr, 2023

本文提出了 DirectRel 模型，通过构建 “头实体→尾实体” 二分图的链接问题，直接在一步中提取所有的关系三元组，并在两个常用数据集上取得比现有技术更好的实验结果。

May, 2022

本文提出一种基于卷积编码器和改进的级联二进制标记框架的快速关系提取模型 (FastRE)，通过采用多项创新来提高效率并保持优异的性能，实验结果表明 FastRE 在效率和性能之间取得了良好的平衡。

May, 2022

本文提出了一种基于 Mutual Guided Few-shot 学习框架的关系三元组抽取方法，该方法通过实体解码器和关系解码器相互指导，加上原型融合模块，能够在使用少量数据的情况下显著提高抽取准确度，在 FewRel 1.0 和 FewRel 2.0 数据集上表现优异。

Jun, 2023

从文本中提取关系三元组（主语、谓语、宾语）可以将非结构化文本数据转换为结构化知识。本文提出了一种将三元组提取任务转换为图标签问题的新方法，利用依存解析和图递归神经网络（GRNNs）的结构信息。为了集成子任务，本文提出了一种动态反馈森林算法，通过推理操作在模型训练过程中连接子任务的表示。实验结果证明了该方法的有效性。

Aug, 2023