通过转换为推论任务并且使用预训练的文本推论引擎，我们能够减少标注大量实例所需的成本，实验结果表明，我们的方法在少量示例情况下可达到更好的性能。

Sep, 2021

本文提出了一种基于 BERT 的多任务学习模型（ZS-BERT），通过零样本关系抽取解决新出现关系的抽取问题，实验结果表明该方法相比于现有的方法在 F1 分数上至少提高了 13.54%。

Apr, 2021

本文提出了一种名为 OneRel 的新型关系抽取模型，将抽取任务视为细粒度的三元组分类问题，在两个常用数据集上的实验结果表明，该方法优于现有基线模型，并在各种重叠模式和多个三元组的复杂场景中持续性能提高。

Mar, 2022

本文提出了两种使用编码器 - 解码器结构的方法来共同提取关系元组和实体，其中第一种方法采用关系元组表示方案，使解码器能够像机器翻译模型一样逐个单词生成，并仍然找到具有不同长度和重叠实体的所有元组，而第二种方法采用指针网络解码方法，每个时间步长生成整个元组。实验结果表明，本文提出的方法优于先前的工作，并实现了显着更高的 F1 分数。

Nov, 2019

本文提出了 DirectRel 模型，通过构建 “头实体→尾实体” 二分图的链接问题，直接在一步中提取所有的关系三元组，并在两个常用数据集上取得比现有技术更好的实验结果。

May, 2022

本研究提出了一种简单的流水线方法来进行实体和关系抽取，并在标准基准测试中确立了新的最佳结果，通过对实体和关系进行不同的上下文表示，融合实体信息来提高性能，同时在全局上下文中引入信息以提高准确性。

Oct, 2020

在无监督环境下，我们探讨了从自由文本中提取命名实体之间关系的方法。除了标准特征提取外，我们还开发了一种重新加权词嵌入的新方法。我们使用单个特征降维缓解了特征稀疏性问题。我们的方法在 NYT-FB 数据集上获得了 F1-score 为 0.416 的显着提高，优于现有技术水平 5.8%。

Jan, 2018

该论文介绍了一种新的任务，即预测文本文档的覆盖范围，以进行关系抽取和知识库构建，并提出了一种结合特征和 BERT 的模型，可以有效地预测覆盖范围和拒绝索赔。

Nov, 2021

本文提出一种用于实体抽取和关系提取的直接集合预测方法，通过应用 transformers 和非自回归并行解码的网络，以及基于二分图匹配的基于集合的损失函数，能更好地完成实体抽取和关系提取任务。

Nov, 2020

本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

Jun, 2022