本文介绍了一种轻量级的基于注意力机制的模型 SpERT，通过对 BERT 嵌入进行实体识别和过滤，以及基于标记的上下文表示进行关系分类，结合单 BERT 传递的高效负样例抽取方法，在多个数据集上取得了高于先前工作最高达 2.6% F1-score 的性能表现。

Sep, 2019

本研究提出一种多任务学习方法，利用实体 - 关系 - 类型三元组数据以及 BIO 标记嵌入来进行关系抽取，实验结果表明该方法可以有效地提高模型的 F1 得分。

Jun, 2019

文章提出了一个两阶段范式结合全局特征的跨度模型联合实体和关系抽取方法，实验表明这种方法优于之前的现有模型，并建立了一个新的标准基准。

Aug, 2022

通过使用标准跨度机制和标记跨度机制、构建实体注意力机制，本研究提出了一种完全解决三元组重叠问题的信息抽取方法，并在两个公共数据集上进行了测试。该方法在这两个数据集上达到最佳性能。

Apr, 2023

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

本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三个公共数据集上优于先前的工作，达到了 21.5% 的新最优 F1 分数。

Sep, 2019

本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

Jul, 2023

我们提出了一种新的预训练模型，利用基于维基百科的知识图谱实现了在实体和关系上的双重表示，以及利用跨度模块进行有效编码，相较于现有模型使用更少的参数。实验结果表明，相比 RoBERTa 模型，我们模型在信息抽取任务上表现更好，尤其在监督学习任务中达到了很高的竞争水平。

Aug, 2022

该研究探讨了基于 BERT 的模型在 SemEval-2021 毒性跨度检测任务中的性能，研究了多种模型，包括 Token 分类或跨度预测，最佳模型达到 F1 得分 0.6753，在基线模型上提高了 3%。

Feb, 2021

该研究通过命名实体识别和问答结合分析 SemEval-2021 的毒性评论任务，提高了评论毒性区分的准确性。

Apr, 2021