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
本文提出了一种名为 “密集连接十字织 Attention 网络” 的模型，它能够在实体对级别上完成逻辑推理，用于文档级别关系抽取，并达到当前领先的性能水平。
Mar, 2022
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
提出了一种基于 Masked Image Reconstruction 网络的文档级关系提取模型（DRE-MIR），通过模型推理来捕捉关系之间的相关性，并在三个公共数据集上取得了最先进的性能。
Apr, 2022
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
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
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
本研究提出了一种基于图注意力网络的对话关系提取方法，该方法能够有效捕捉对话中不同实体对之间的关系和解释人际关系，从而使得对话数据更好地用于构建知识图谱和开发智能对话系统。
本文提供了对最近在文档级关系提取领域的发展的全面概述，并强调了它与句子级关系提取的不同应用。
Sep, 2023