本文提出 REFinD 数据集，该数据集为金融文档中的大规模关系注释数据集，可用于信息检索、语义搜索、问题回答和文本蕴含等任务，同时对各种最先进的深度学习模型进行实证评估并强调数据集带来的挑战。

May, 2023

本文介绍了 WebRED (Web Relation Extraction Dataset)，这是一个由人类标注的数据集，用于从万维网上的各种文本中提取关系，并利用～200M 的预训练数据和微调技术在此任务上取得更好的表现。作者提供了该数据集的基线，并阐述了人工注释在改善从网络文本中提取关系的性能方面的重要性。

Feb, 2021

本文介绍 DocRED 数据集，该数据集为文档级别中关系抽取 (Relation Extraction) 提供了一个新的方法，并提供了大规模的远程监督数据，以满足超级 / 弱监督训练需求。同时我们实验了目前最先进的方法，结果表明文档级别中关系抽取仍需要进一步的研究。

Jun, 2019

本文提出了一个多实体类型和多关系对的文献级生物医学关系抽取数据集 BioRED，包括新发现和先前已知的信息，旨在评估现有状态下的自动化算法，为更准确、高效和稳健的生物医学关系系统的开发奠定基础。

Apr, 2022

本文针对 DocRED 数据集中占主导地位的漏报问题进行了研究，并通过重新注释数据集来修复该问题，重新命名为 Re-DocRED 数据集，同时实验结果表明使用 Re-DocRED 数据集进行训练和评估可以获得 13 个 F1 分数的性能提升。

May, 2022

本文提供了两个新的多语言关系抽取数据集，其中 SRED$^{m FM}$ 有覆盖 18 种语言、400 种关系类型和 13 种实体类型的 4 千万三元组实例，而 RED$^{m FM}$ 则是一个人工修订的数据集，可以用于多语言关系抽取系统的评估。我们还使用第一款端到端的多语言 RE 模型 mREBEL，可以在多种语言中提取实体类型等三元组，请在此 https URL 获取我们的资源和模型检查点。

Jun, 2023

本文介绍了构建大规模文档级细粒度实体和关系提取（JERE）数据集 DocRED-FE 的方法，着重于实体类型细粒度化，包括重新设计实体类型分层结构和 119 个细粒度类型，通过丰富的实验发现 DocRED-FE 对现有 JERE 模型提出挑战，并且 Fine-Grained 实体类型有助于关系分类。

Mar, 2023

本文介绍一种用于金融领域的命名实体识别 NER 任务的高质量数据集与一个基于弱监督的框架，用于跨度级分类并提供一套公共的基准数据集，以推动金融领域研究的发展。

Feb, 2023

本研究提出了一种方法，以便快速生成高质量数据集用于关系抽取任务，并训练神经模型以对所创建的数据集进行关系抽取来实现很好的结果，并广泛适用于其他数据集。研究中，我们能够在合理的时间内注释 10,022 个句子的 19 种关系，并为每种关系训练一个常用的基线模型。

Apr, 2022

研究论文介绍了在混合语言场景中进行关系抽取的新任务 MixRE，并构建了混合语言数据集 MixRED，评估了现有的有监督模型和大型语言模型对于这一新任务的表现，并揭示了影响模型性能的因素以及提高模型性能的有望方向。

Mar, 2024