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

本文提出了两种使用编码器 - 解码器结构的方法来共同提取关系元组和实体，其中第一种方法采用关系元组表示方案，使解码器能够像机器翻译模型一样逐个单词生成，并仍然找到具有不同长度和重叠实体的所有元组，而第二种方法采用指针网络解码方法，每个时间步长生成整个元组。实验结果表明，本文提出的方法优于先前的工作，并实现了显着更高的 F1 分数。

Nov, 2019

提出一种新的联合框架，将实体关系抽取重新定义为统一的跨度抽取任务，利用选择递归网络作为共享编码器设计两种顺序信息传播策略来实现命名实体识别和关系抽取的交互作用，实现了 NER 和 RE 的相互利益。在 ACE05 和 SciERC 两个公共基准测试集上实验表明，我们的方法可以实现最先进的结果。

Feb, 2022

本文提出了一个联合模型，用于从文件中提取实体级别的关系。该模型在实体级别上操作，采用多任务方法，并通过多实例学习以及多级表示技术聚集相关信号，旨在提取文档中的关系。研究结果表明，该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时，实验结果表明，与特定任务学习相比，联合方法在参数共享和训练步骤方面更加高效。

Feb, 2021

本文提出了一种基于变压器语言模型的端到端联合实体和关系抽取方法，应用于将数学符号与 LaTeX 文档中的描述相关联的任务，并且代码公开可用。

Mar, 2022

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

该研究提出了一种基于神经网络的联合模型，能够同时执行实体识别和关系抽取任务，而无需人工提取特征或使用任何外部工具，并在包括新闻、生物医学和房地产等不同语境下进行了实验，而且表现优异。

Apr, 2018

我们提出了一种新模型，旨在联合提取实体和关系，通过解耦特征编码过程并使用细粒度的子任务特定特征以及采用新的信息交互策略来增强模型性能，并在实验中展现了优于现有模型的结果。

May, 2024

本文提出了一种基于推理链和神经网络模型的远程监督关系抽取方法，能够更好地利用包含目标实体之一的句子，并在真实数据集上取得显著的抽取性能提升。

Sep, 2016