本文提出了一个半监督框架，包含三个新组件，针对文档级关系抽取任务进行优化，通过轴向注意力模块学习实体对之间的相互依赖关系、自适应 focal loss 解决 DocRE 的类别不平衡问题，以及使用知识蒸馏方法克服人工标注数据与远程监督数据之间的差异。在两个 DocRE 数据集上的实验证明我们的模型表现超过了强基线模型，并且在 DocRED 排行榜上的 F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。

Mar, 2022

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

本文提出了一种证据增强的框架 Eider，该框架采用有效提取证据的方法并通过融合层推断有效结合提取的证据和完整文档，从而优化了基于整篇文档的关系抽取方法，实验证明 Eider 在三个基准数据集上优于现有最先进方法（例如 DocRED 上 Ign F1/F1 提高了 1.37/1.26）

Jun, 2021

该论文提出了一种简单而有效的文档级关系抽取方法，可结合 BiLSTM 使用少量证据句子识别给定实体对之间的关系，并在基准数据集上取得了优异的性能，甚至优于基于图神经网络的方法。

Jun, 2021

我们提出了一种关系图方法，用于明确利用关系之间的相互依赖性，在文档级别关系抽取中考虑关系的相互关联，并通过关系图模型化关系之间的相关性，以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能，在文档级别关系抽取中考虑关系的相互关联的有效性。

Oct, 2023

本文提出了一种基于序列到序列模型的方法 seq2rel，使用实体推荐技术，可以替代传统的基于流水线任务的文档级关系抽取方法来同时完成抽取实体和关系的子任务，通过在几个受欢迎的生物医学数据集上的实验，本方法表现出了比现有流水线方法更优秀的性能，我们还展示了端到端方法超越流水线方法的结果。

Apr, 2022

本文针对文档级别关系抽取中证据检索面临的内存消耗高和注释有限的问题，提出了 DREEAM 方法，其采用内存高效的方式指导 DocRE 系统将注意力集中于证据上并采用自学习策略从大量数据中自动生成证据，实验证明该方法在 DocRE 和 ER 方面取得了最先进的性能。

Feb, 2023

本文提出了一种采用迭代推理的文档级关系抽取模型，包括一个基本模块和一个推理模块，推理模块引入了两个扩展交叉注意力单元，可以在关系推理过程中利用实体对的特征信息和之前的预测结果，通过对几乎无法预测的实体对进行处理以及引入对比学习等技术的二阶段训练策略，实现了对三个常用数据集的高效率解决方案。

Nov, 2022

我们提出了一种基于指代辅助的框架用于文档级关系抽取任务，实验结果表明我们的模型取得了最先进的性能。

Oct, 2023

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