本论文介绍了一种利用半监督自然语言处理和引导式算法从文本中提取安全实体与其关系的方法，并在小型语料库上进行测试，结果表明可以较高准确地实现此目的。

Apr, 2015

本文提出了一种使用依存语法图的句法模式来搜索大型语言学注释语料库的系统，并介绍了一种轻量级查询语言，让用户无需了解底层语法表示的细节，而是通过提供具有简单标记的示例句子来查询。

Jun, 2020

使用句法分析和预先训练的词嵌入技术，在缺乏任何形式监督的情况下，提取少量精确关系，用于注释更大的语料库，并在生物医学领域的四个数据集上通过微调预先训练的 BERT 模型进行关系抽取实验表明，与无监督关系提取的两个简单的基线相比，我们的方法显著优于两个简单的基线，即使不使用任何监督，也获得了三个数据集中的最先进结果之一；更重要的是，我们证明了使用噪声数据可以成功地对大型预先训练的语言模型进行微调，而不是依赖于黄金数据进行微调。

Nov, 2019

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

通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

Oct, 2023

本研究提出了一种自动收集时间关系远程监督例子的方法，通过掩盖文本中明确的时间提示信号，训练出的模型能够学习到其他信号，实验表明预训练的 Transformer 模型能够通过这些弱标注的例子，在零样本和少样本情况下转移学习到具有人工注释的基准，并且遮罩方案对于改善泛化能力很重要。

Oct, 2020

通过引入 Sub-Tree Parse 和基于迁移学习的先验知识，我们提出了一种新的基于词级级别远程监督的关系提取方法，可以从自动构建的包含噪声词语的低质量句子数据集中提取关系，实验结果表明我们的方法相对现有最优工作提高了 Precision/Recall (PR) 的面积从 0.35 到 0.39.

Aug, 2018

介绍了几个基于 SNLI 或 FEVER 自然蕴涵示例的合成转换的数据集，用以教授语法和单词顺序等方面的知识；证明了多数流行的蕴涵模型没有意识到这些句法上的区别可改变含义，而强化训练后部分模型能够学习正确比较句法。

Oct, 2018

信息抽取任务涉及将非结构化文本内容自动转换为结构化数据。本文提出了一种从文本中提取和分类无限制关系集的方法，它基于远程监督方法获取的形态 - 句法抽取模式，并创建句法和语义索引来提取和分类候选图。我们在构建在 Wikidata 和 Wikipedia 上的六个数据集上评估了我们的方法。评估结果显示，我们的方法可以实现高达 0.85 的精确度得分，但召回率和 F1 得分较低。我们的方法可以快速构建基于规则的信息抽取系统，并构建注释数据集以训练基于机器学习和深度学习的分类器。

Jan, 2024

本文提出一种从 Wikipedia 中提取证据丰富的关系抽取器，通过使用神经网络构建的关系提取器并结合 Wikipedia 进行验证，本方法成功地解决了现有知识型问答系统数据不足、缺乏表达力和无法回答多重约束问题等问题，并在 WebQuestions 问答数据集上取得了 53.3% 的 F1 值，比现有最先进的方法有了显著提升。

Mar, 2016