本文提出了一种新的框架 Set-CoExpan，它可以自动生成辅助负集作为联系紧密的与用户所需目标集相关的负向集，通过将目标集与辅助集进行比较提取区分特征，形成多个互不相同的相互关联的集合，从而解决语义漂移问题。实验证明，通过生成辅助集，可以引导目标集的扩展过程，从而避免触及边界周围的模糊区域，同时 Set-CoExpan 可以显著优于强基线方法。

Jan, 2020

本文提出了一种迭代的实体集扩展框架，利用自动生成的类名解决语义漂移问题，通过在预训练的语言模型中探测选择一个正类和若干负类，评分新的候选实体。实验表明，该框架可以生成高质量的类名，并显著优于以前的最新方法。

Apr, 2020

本文提出了一种基于语料库的集合扩展方法，通过选择干净的上下文特征计算实体分布相似度和基于去噪上下文特征的排序无监督集成方法，该方法在三个数据集上的实验证明是健壮的且优于之前的最新方法。

Oct, 2019

该论文介绍了一个用于解决低资源场景下关系抽取的方法，该方法基于自监督学习和对比学习，以一致的目标进行预训练和微调，在两个数据集上的实验表明，该方法在使用 1% 的数据时，较基于 PLM 的分类器分别提高了 10.5％和 5.8％的性能水平。

Dec, 2022

本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题，并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离，并在两个数据集上进行了广泛实验以验证其有效性。

Nov, 2020

本文回顾了现有的关系抽取方法，分析了当前面临的关键挑战，并展示了通向更强大的关系抽取的有前途的方向。

Apr, 2020

通过使用语言模型生成初始种子实例并结合反馈进行改进，在关系抽取任务中实现零样本学习，取得了较基准方法更好的性能。

Feb, 2024

该研究旨在学习新出现的关系，同时避免忘记学过的关系，提出了一种用于相似关系的新颖连续抽取模型，包括设计记忆无关的关系原型和记忆增强等方法，以克服过拟合问题，并引入集成训练和关键知识蒸馏来增强对相似关系的处理，实验结果表明该模型的优越性及对相似关系的区分能力。

May, 2023

本文提出了一种基于生成式预训练语言模型实现的实体集扩展框架（GenExpan），用自动化生成的类名引导模型生成目标实体，并提出了知识标定和生成排名以进一步填补语言模型通用知识与 ESE 任务目标之间的差距，实验结果表明 GenExpan 在扩展时间和扩展性能方面都优于现有 ESE 方法。

Apr, 2023

本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

May, 2023