TripleRE 是一种新的知识图谱嵌入方法，其创新性地将关系向量分为三部分并利用残差概念实现更好的性能。此外，使用 NodePiece 对实体进行编码取得了良好的效果，缩小了参数大小并解决了可扩展性的问题，实验表明我们的方法达到了大规模知识图谱数据集的最先进水平，且在其他数据集上也有竞争力。

Sep, 2022

本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法，不需要手工规则，能够完整考虑同一个上下文中的多个关系，并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证，证明该方法优于现有方法 1.12％到 2.55％不等。

Jun, 2020

通过密集向量的近邻搜索，我们介绍了一种简单的方法，在测试时间通过训练关系来解决隐含表达和长尾关系类的问题，此方法在 REFinD 上实现了最先进的性能。

Oct, 2023

本文介绍了使用 Pairwise Reconstruction 的语义哈希方法，将弱监督的训练对编码为哈希码，并通过对这些哈希码的成对重构来实现对局部邻域结构的编码，从而在文档相似度搜索任务中获得了重要的性能改进。

Jul, 2020

提出一种名为 REP 的方法，该方法是一种后处理技术，可用于以前训练的知识图嵌入与图形上下文相适应。REP 具有显着的可扩展性，在改善或维持预测质量的同时平均带来相对 10％的提高，并需要 5％-83％的时间才能达到与最先进 GC-OTE 相当的结果。

May, 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

本文提出了基于双语词向量映射的方法，将一个好的源语言神经网络关系抽取模型直接应用于目标语言，从而实现了跨语言关系抽取模型的转移。实验证明该方法在多种目标语言中表现出较好的性能。

Oct, 2019

本文提出了一种基于消息传递的具有全局关系结构感知能力的图编码器 ReSaE，用于超关系知识图谱的编码，并能够在下游链接预测任务中提供更强的性能。实验证明，ReSaE 在多个链接预测基准上实现了最先进的性能，并分析了不同模型结构对模型性能的影响。

Feb, 2024

介绍一种使用 $k$ 最近邻进行增强的关系提取方法 $k$NN-RE，可以在测试时间通过最近邻搜索查阅训练关系，并提供了一种简单却有效的方法来解决由于语言复杂性和数据稀疏性引起的隐式表达和长尾关系类型的两个问题，并且观察到 $k$NN-RE 是利用远程监督（DS）数据进行 RE 的有效方法。在 ACE05、SciERC 和 Wiki80 等多种受控制的 RE 数据集上，提出的 $k$NN-RE 取得了最高水平的性能，并在允许使用 DS 的情况下在 i2b2 和 Wiki80 数据集上优于迄今为止最好的模型。

Oct, 2022

通过最大化点对互信息来学习和使用单词对的嵌入表示，将这些表示添加到现有的推理模型的跨句子注意力层中，以取得更好的性能，特别是在对抗数据集方面。

Oct, 2018