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

本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。我们的方法首先提取一个上下文词序列，该词序列与两个事件提及之间的依赖路径很好地对齐，并使用生成的词序列对应的词性标记序列和依赖关系序列作为输入，提供给双向循环神经网络 (LSTM) 模型。神经网络学习组成句法和语义上下文表征，以预测它们之间的时间关系。该方法在 TimeBank 语料库上的评估表明，顺序建模能够准确地识别事件之间的时间关系，并且胜过了以前基于特征的模型。

Jul, 2017

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

使用不同的信息来源支持自动提取生物医学概念之间关系的研究，其中包括使用多通道架构深度神经网络对医学文献中的概念进行关系提取，同时将医学本体论结合进来可以进一步提高结果的准确性。

May, 2019

本文通过 19 种不同的深度学习架构对自然语言处理中争议挖掘、文本蕴含和问答等多种问题进行了广泛的经验评估，特别针对如何处理上下文的方式进行了大量实证研究，对该类问题提供了深入的见解和结论，并为三项争议挖掘任务建立了深度学习基线。

Jul, 2016

本文提出了一种新的深度结构化学习框架，用于事件时间关系提取，其结构包括递归神经网络和结构化支持向量机，通过联合训练两部分模型，采用预训练上下文嵌入，证明了提出的模型的性能明显优于现有的方法，并提供了详尽的削减研究。

Sep, 2019

提出一种使用自我注意力编码器模型同时预测文档中所有提及对之间关系的关系抽取方法，通过聚合提及对以形成实体对表示进行多实例学习，并增加弱标签数据来适应无提及级别注释的设置，实验证明该方法在生物文本信息抽取任务中达到了最先进性能。

Feb, 2018

本文介绍基于双向 LSTM 和条件随机场，以及基于转移的方法的两种新的神经网络模型，这些模型不依赖于领域特定的知识和语言。通过使用监督语料库和未标注语料库，字符表示和无监督的学习表示，这些模型在四种语言中实现了名词实体识别的最先进性能。

Mar, 2016

本研究基于人工神经网络模型，通过结构化预测方法，综合考虑语句出现的上下文，同时分类相应的医学摘要，使得此新模型在连续的序列句子医学分类任务中达到最佳效果。

Dec, 2016

本研究针对嵌套和重叠事件检测任务，提出了一种新的基于搜索的神经网络（SBNN）结构预测模型。该模型将任务视为触发器 - 参数结构的关系图上的搜索问题，并定义了构建事件的操作。在不使用任何句法和手动设计的特征的情况下，在 BioNLP 癌症遗传学共享任务 2013 上，该模型达到了与 TEES 模型可比的性能，同时在开发集上的进一步分析表明，该模型在提高 F1 分数性能的同时更具有计算效率。

Oct, 2019