多关系分类之不平衡预测适应
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
本研究提出了一种模型，结合了预训练的 BERT 语言模型和目标实体信息，来解决关系分类任务。通过定位目标实体和在预训练模型中传递信息，并整合两个实体的相应编码信息，我们在 SemEval-2010 任务 8 关系数据集上取得了显著的改进。
May, 2019
本文提出了一种新的自监督训练目标方法，通过简单地将关系预测纳入常用的 1 对所有目标中，实现了对多关系图谱表示学习的良好表述，并通过多个数据集和模型的实验表明，关系预测可以显著提高常用的 KB 完成评估任务中的实体排名效果，并在高多关系数据集上表现出更好的效果，尤其是在使用更大的嵌入大小时。
Oct, 2021
在我们的工作中，我们通过探索各种多标签分类框架来处理隐含语篇关系识别，并显示多标签分类方法不会降低单标签预测的性能。此外，我们对结果和数据进行了全面的分析。我们的工作有助于推动对语篇关系的理解和应用，并为未来研究奠定基础。
Jun, 2024
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
通过将关系分类任务作为一个区间预测问题，我们提出了一个基于区间预测的关系分类系统，使用监督式的目标函数明显更优于标准的分类目标函数，并在 TACRED 和 SemEval 任务 8 的数据集上实现了最优结果。
Oct, 2020
本文提出了一种新的自适应重新采样自训练框架，采用精度和召回率对每个类别的伪标签进行重新采样，以增加整体召回率而不过多牺牲精度，并在文件级别和生物医学关系提取数据集上进行实验表明，所提出的自训练框架在数据集的不完全注释时比现有方法表现要好。
Jun, 2023
最近的方法调查了命名实体识别和关系分类这两个任务，重点关注少样本学习方法，并比较了两个任务中的主要方法，报告了少样本学习范围内的最新指标得分。
Oct, 2023
本文提出了一种基于图神经网络和关系矩阵变换器的数据驱动关系提取新方法，不需要手工规则，能够完整考虑同一个上下文中的多个关系，并通过对 ACE05 数据集和 SemEval 2018 Task 7.2 等数据集的实验验证，证明该方法优于现有方法 1.12％到 2.55％不等。
Jun, 2020