本文提出了一个联合模型，用于从文件中提取实体级别的关系。该模型在实体级别上操作，采用多任务方法，并通过多实例学习以及多级表示技术聚集相关信号，旨在提取文档中的关系。研究结果表明，该模型在 DocRED 数据集上获得了最优的实体级别关系提取结果。同时，实验结果表明，与特定任务学习相比，联合方法在参数共享和训练步骤方面更加高效。

Feb, 2021

该研究提出了一种基于神经网络的联合模型，能够同时执行实体识别和关系抽取任务，而无需人工提取特征或使用任何外部工具，并在包括新闻、生物医学和房地产等不同语境下进行了实验，而且表现优异。

Apr, 2018

采用多任务学习方法解决实体和关系联合提取问题，提出了一种称为循环交互网络的多任务学习模型，能够动态地学习交互来有效地模拟分类的任务特征，并在两个真实数据集上进行实证研究验证了该模型的优越性。

May, 2020

本文提出了一种基于联合学习模型的生物医学因果关系提取方法，将实体关系提取和实体功能检测结合起来，以提高因果关系提取的性能，并且在模型训练阶段，为不同的功能类型分配不同的权重，实验结果表明，与其他系统相比，我们的联合学习系统在 BEL 语句提取中取得了最先进的表现。

Aug, 2022

本研究提出基于 Entity-level Relation Matrix 与 U-shaped Network 的 Document-level Relation Extraction 模型，通过结合上下文信息以及全局关系，实现了在 DocRED，CDR 和 GDA 三个基准数据集上的最优性能。

Jun, 2021

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

我们提出了一种名为 CARE 的 Co-Attention 网络模型，可以实现联合实体和关系的抽取任务，通过学习各个子任务的独立表示以避免特征重叠，并通过双向交互来提升模型性能，实验结果表明我们的模型在三个基准数据集上表现优秀。

Aug, 2023

该研究提出了一种基于 BERT 语言模型和聚焦注意力机制的联合实体和关系抽取模型，通过动态范围注意机制，提高了共享参数层的特征表示能力，实验结果表明，该方法在冠状动脉造影文本上的名词实体识别和关系分类任务的 F1 得分分别达到 96.89% 和 88.51%，优于现有技术水平。

Aug, 2019

本文介绍了一种受 Stack-LSTM 启发的模型，利用命名实体识别和实体链接的相关性进行联合学习，从而在 NER 和 EL 两个任务中获得更强的性能，并取得了竞争性的最新成果。

Jul, 2019

用一个模型识别实体对及其关系的联合实体和关系抽取任务中，存在嘈杂标签的问题。为了填补这个空白，我们引入了一种新的噪音鲁棒方法，可以同时进行实体和关系检测，并使用一个新的损失函数惩罚与显著关系模式和实体关系依赖性不一致的情况，以及一个自适应学习步骤迭代地选择和训练高质量实例。在两个数据集上的实验证明，我们的方法在联合抽取性能和噪音减少效果方面优于现有的最新方法。

Oct, 2023