本文提出了一种新的模型对文档级别关系抽取进行建模，该模型能够对全局和局部的实体表示以及上下文关系表示进行编码并提供更好的实验结果。

Sep, 2020

本文介绍了一个名为 GREC 的关系抽取和分类的生成模型，采用序列生成任务对关系进行建模，并探索了各种编码表示方法，提出了负采样和解码缩放技术，可实现一次性从句子中提取所有关系三元组，从而在三个基准关系抽取数据集上取得了最新的表现，虽然一次性处理比传统方法在效率上损失了一部分性能，但它更具计算效率。

Feb, 2022

本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

May, 2023

本研究介绍了 GPT-RE，这是一种解决大型语言模型在关系提取中局限性的方法，包括任务特定实体表现的使用和黄金标签引导推理逻辑的使用。该方法在四个数据集上的实验结果表明其超过了 GPT-3 基线并且在 Semeval 和 SciERC 数据集上实现了 SOTA 表现。

May, 2023

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

该研究提出了使用 encoder-classifier-reconstructor 模型来解决 DocRE（document-level relation extraction）中因图形结构普遍建模不含关系的实体对而导致性能较差的问题，并在大规模 DocRE 数据集上得到了显著的性能提升。

Dec, 2020

通过集成大型语言模型和自然语言推理模块，我们提出一种自动标注方法来生成关系三元组，从而增强文档级关系数据集，我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性，该方法在重新注释众多长尾关系类型方面表现出色，并且在推进广义语言语义理解方面提供了实际好处。

Nov, 2023

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

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

该研究提出了一种新的基于 SpanBERT 和图卷积网络的关系抽取模型 (DG-SpanBERT), 具有学习从大规模语料库中获取词汇特征和捕捉实体之间长距离关系的优点，在 TACRED 数据集上的实验结果表明其性能优于现有基于依存关系和序列的模型，达到了最先进的水平。

Apr, 2020