本文提出了一种基于提示的多语言关系分类效果高效的方法，可以在完全监督、少样本和零样本场景中有效地使用，旨在成为类似多语言分类任务的强大基准。

Oct, 2022

通过将关系分类任务作为一个区间预测问题，我们提出了一个基于区间预测的关系分类系统，使用监督式的目标函数明显更优于标准的分类目标函数，并在 TACRED 和 SemEval 任务 8 的数据集上实现了最优结果。

Oct, 2020

本文提出了一种新的范式 —— 具有描述性关系提示和对比学习的对抗性学习 (CTL-DRP)，用于共同考虑实体信息、关系知识和实体类型限制，通过提出的方法，在 TACRED 上获得了 76.7% 的竞争性 F1 - 分数，在 TACREV 和 Re-TACRED 都达到了 85.8% 和 91.6% 的最高水平表现。

Apr, 2023

本文提出了一种新的基于提示的学习方法 LabelPrompt，用于关系分类任务，通过定义附加令牌来表示关系标签，并构建提示模板方法，以及设计一个实体感知模块和注意查询策略来解决模型中的一些挑战，极大地提高了在缺乏标注数据情况下利用提示学习的适应能力，特别是在少样本场景中的表现超过了其他几种方法。

Feb, 2023

本文提出了一种新的生成式提示调整方法，将关系分类重新构造为一种填充问题，旨在解决当前提示方法的局限性，并在推理期间设计实体导向的解码和判别关系评分以有效地生成和对齐关系，并在完全监督的设置和低资源设置下展示了我们方法的有效性。

Oct, 2022

本文中，我们提出了一个新的模型架构，称为 RECENT，它利用实体类型限制候选关系，并形式化介绍了关系和实体类型之间的相互约束关系。在 GCN 和 SpanBERT 这两个表现较好的模型上进行实验，实验结果表明，RECENT 可以分别提升它们 6.9 个和 4.4 个 F1 点，并且 RECENT_SpanBERT 在 TACRED 上取得了新的最佳效果。

May, 2021

为应对电子商务领域商品标题语言特点与新实体的问题，我们提出了基于连续提示调整、融合嵌入的文本蕴含模型来进行电商中实体类型标注，模型改进了 BERT 模型的平均 F1 得分约 2%。

Nov, 2022

本研究提出了一种基于对比意义和对立特性的反事实对比提示调优（CCPrompt）方法，可以提高多类别分类任务，例如关系分类、主题分类和实体打标任务的准确性和鲁棒性，并采用简单的暹罗猫（Siamese）表示学习来增强模型的鲁棒性。

Nov, 2022

本研究提出了将实体定位和实体类型识别整合到 prompt learning 中的双插槽多提示模板，可在平行预测插槽上提取所有实体，并设计了一种动态模板填充机制来分配插槽的标签。在各种设置下进行实验，我们的模型在交叉域 few-shot 设置中实现了显着的性能提高。

May, 2023

本文介绍了基于知识拓展的 Prompt-learning 方法来解决短文本分类中的标签扩展问题，并在三个著名数据集上实验，结果比其他方法均取得了显著提高。

Feb, 2022