本文提出了一种名为 SimpleRE 的简单而有效的对话关系提取模型，通过一种新颖的输入格式 BRS 捕捉了对话中多个关系间的相互关联，并通过关系细化门（RRG）以自适应的方式提取关系特定的语义表示。实验表明，SimpleRE 在 DialogRE 数据集上取得了最好的性能，并且没有使用外部资源就优于所有直接基线在句级关系提取上的表现。

Dec, 2020

本研究提出了一种基于图注意力网络的对话关系提取方法，该方法能够有效捕捉对话中不同实体对之间的关系和解释人际关系，从而使得对话数据更好地用于构建知识图谱和开发智能对话系统。

Sep, 2020

本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型，与现有方法比较，在 CodRED 数据集上取得至少 10％ 的 F1 值的提升，从而展示其在跨文档关系提取中的有效性。

Oct, 2022

对话关系提取（DRE）在提取对话中两个参数之间的关系方面比标准的关系提取更具挑战性，该研究发现大语言模型（LLMs）能够显著缓解现有 DRE 方法中的两个问题，通过提高模型规模可以显著提升 DRE 性能，对长且稀疏的多轮信息进行有效捕捉，并在全局对话和部分对话设置下均表现出竞争力强、制胜优势的性能。

Apr, 2024

该论文提出了一种简单而有效的文档级关系抽取方法，可结合 BiLSTM 使用少量证据句子识别给定实体对之间的关系，并在基准数据集上取得了优异的性能，甚至优于基于图神经网络的方法。

Jun, 2021

本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。

Jun, 2023

本文提出了一个新的听取信息提取任务，即语音关系提取，通过文本到语音系统构建训练数据集，并通过众包和本土英语演讲者构建测试数据集，探索语音关系提取的两种方法：通过预训练的 ASR 模块进行基于文本的提取的流水线方法和通过新的提出的编码器解码器模型进行端到端方法，进行了全面的实验以区分语音关系提取中的挑战，并分享了代码和数据。

Oct, 2022

本文提出了一个半监督框架，包含三个新组件，针对文档级关系抽取任务进行优化，通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题，以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型，并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。

Mar, 2022

该研究介绍了一种新的基准数据集 DialogRE^C+，将共指解析引入对话关系抽取 (DRE) 场景中，手动注释了总共 5,068 个共指链，并开发了四个基于图的 DRE 模型来改进 DRE 任务。

Aug, 2023

本研究采用半监督算法 D-REX，以中间步骤的关系和实体特定解释为桥梁，将关系提取视为重新排序任务，并在对话关系提取数据集上进行评估，取得了 13.5% 的最优 F1 得分。

Sep, 2021