本文提出了一种名为 GAIN 的双重图聚合和推理网络，利用异构提及级别图来建模文档中不同提及之间的复杂互动，另外构造一个实体级别图，并提出一种新的路径推理机制来推断实体之间的关系。在公共数据集 DocRED 上的实验表明，GAIN 相对于之前的最先进技术获得了显著的性能提高（F1 值提高了 2.85 个点）且代码已经公开。

Sep, 2020

本文提出了一种新颖的判别推理框架来显式地建模文档中每对实体对之间的推理路径，并利用构建的图形和每个实体对的矢量化文档上下文来估计不同的推理路径的关系概率分布，从而识别它们的关系，实验证明我们的方法在大规模 DocRE 数据集上优于之前的最优表现。

Jun, 2021

提出了一种基于中间监督的关系抽取模型，该模型能够更准确地捕捉相关背景和实体类型以提高可解释性和性能。通过对模型的不确定性进行评估，达到了在三个基准数据集上的最佳性能表现，并在 DocRED 中的证据检索上优于次优结果 5.04％相对 F1 得分。

Sep, 2021

本文提出了一种新的文档级图形结构的交叉句关系提取模型，该模型利用各种句间和句内依赖关系构建图形，并利用多实例学习和双仿射配对评分来预测实体对之间的关系。实验结果表明，该模型在两个生物医学数据集上的表现与最先进的神经模型相当，并且文中提到的所有图形类型对于交叉句关系提取都是有效的。

Jun, 2019

本研究提出了一种利用自动带引的潜在文档级图进行跨句子的关系推理的方法，并通过增量聚合相关信息来提高多跳推理的准确性，取得了在 DocRED，CDR 和 GDA 数据集上的最新最优性能。

May, 2020

本文提出了一种新颖的文档级关系抽取模型 GRACR，其中构建了一个简化的语义图来建模文档中的所有实体和句子信息，以及一个实体级图来探索长距离跨句子实体对的关系。经实验证明，在文档级别关系抽取任务上，该方法取得了优秀的性能，并且在提取跨句子实体对的潜在关系方面尤其有效。

Mar, 2023

提出了一种用于 DocRE 的 SIEF 框架，通过设计句子重要性评分和句子聚焦损失来鼓励 DocRE 模型专注于证据句子，以提高整体性能和鲁棒性。

Apr, 2022

本文提出了 LogiRE，一种通过学习逻辑规则进行文档级关系提取的新型概率模型。该模型将逻辑规则作为潜在变量，并由规则生成器和关系提取器两个模块组成，可以显式捕捉长程依赖并具有更好的解释能力，实验结果表明在关系性能（1.8 F1 分数）和逻辑一致性（超过 3.3 逻辑分数）方面，LogiRE 明显优于几个强基准。

Nov, 2021

本文提出了一种新的架构 iDepNN，它可以通过循环和递归神经网络对最短和增强的依赖路径进行建模，以从跨句子的实体对中提取关系，并在新闻和医学领域的数据集上实现了最新技术的表现和更好的精度和召回的平衡，在 BioNLP 共享任务 2016 中胜过了 11 个参赛队伍，并获得了 5.2％的 F1 增益。

Oct, 2018

本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

Jun, 2021