本文介绍了第一个人工注释的基于对话的关系抽取（RE）数据集 DialogRE，用于支持在对话中预测两个参数之间的关系，尤其是涉及多个句子的跨句子 RE 任务，并基于分析指出演讲者相关信息在该任务中发挥了关键作用。在提出一个新的评估指标以评估在会话环境中进行 RE 方法的性能之后，本文研究了几种常用的 RE 方法在 DialogRE 数据集上的表现，并通过实验证明，最佳表现模型的扩展可以在标准和会话环境的评估设置中都取得收益。

Apr, 2020

本文提出了基于上下文的提及整合和实体间推理两种技术，以改善文档级关系抽取。在三个基准数据集上的实验结果表明，我们的模型胜过了先前的最先进模型。

Jan, 2022

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

提出了一种基于 Masked Image Reconstruction 网络的文档级关系提取模型（DRE-MIR），通过模型推理来捕捉关系之间的相关性，并在三个公共数据集上取得了最先进的性能。

Apr, 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

本文提出了一种名为 “密集连接十字织 Attention 网络” 的模型，它能够在实体对级别上完成逻辑推理，用于文档级别关系抽取，并达到当前领先的性能水平。

Mar, 2022

我们提出了一种基于指代辅助的框架用于文档级关系抽取任务，实验结果表明我们的模型取得了最先进的性能。

Oct, 2023

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

本文针对文档级别关系抽取中证据检索面临的内存消耗高和注释有限的问题，提出了 DREEAM 方法，其采用内存高效的方式指导 DocRE 系统将注意力集中于证据上并采用自学习策略从大量数据中自动生成证据，实验证明该方法在 DocRE 和 ER 方面取得了最先进的性能。

Feb, 2023

本文提出了一种利用触发器捕获能力实现零样本对话关系提取的模型，该模型在使用 DialogRE 数据集进行的实验中取得了显著的改进，为对话关系提取系统的可扩展性和实用性提供了新的方法。

Jun, 2023