我们提出了 FewRel 数据集，其中包含来自维基百科的 100 种关系中的 70,000 个句子，这些句子由群众工作者进行注释。我们针对关系分类采用了最新的 Few-Shot Learning 方法，并对这些方法进行了全面的评估。实证结果表明，即使是最具竞争力的少样本学习模型也很难完成此任务，这表明 Few-Shot Learning 在关系分类方面仍然存在着问题，需要进一步的研究。

Oct, 2018

我们引入了一个元数据集，其中包括两个从现有的监督关系抽取数据集 NYT29 和 WIKIDATA（以及 TACRED 的 few-shot 形式）中派生的数据集。我们对六种最近的 few-shot 关系抽取方法进行了全面评估，观察到没有一种方法被明确地确定为胜者。此任务的整体性能较低，表明未来研究有很大的需求。我们释放了所有数据版本，即监督和 few-shot 数据，供未来研究使用。

Apr, 2024

该研究旨在从非结构化或半结构化文本数据中检测企业实体对并识别它们之间的业务关系，并介绍了一个名为 CEntRE 的新数据集，它由公开的商业新闻数据构建而成，并通过人工标注和智能数据处理进行了精心处理。基于 CEntRE 数据集的六种模型的广泛实验表明了我们提出的数据集的挑战。

Oct, 2022

本文提出了一种新的直接加法方法来更加明确有效地将关系信息引入 Few-Shot 关系提取模型，该方法通过连接两种关系视图来生 成关系表示，并将其直接添加到原型中进行训练和预测，在 FewRel 1.0 基准数据集上实现了显著的改进，并且与最先进的结果相当。

May, 2022

通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

Oct, 2023

当前的语言模型需要大量的训练数据才能获得高性能。对于关系分类（RC），许多数据集是特定领域的，因此将数据集合并以获得更好的性能是非常复杂的。我们探索了一种多领域训练设置用于 RC，并尝试通过编码领域信息来提高性能。我们提出的模型相对于基线设置提高了 2 个以上的宏 F1，我们的分析表明，并非所有的标签受益相同：占据不同领域的相似空间的类别（即，它们的解释在它们之间非常接近，例如 “物理”）受益最少，而依赖于领域的关系（如 “组成部分”）在编码领域信息时表现最好。

Apr, 2024

本篇论文提出基于序列标注联合提取方法的小样本关系抽取任务，利用少量标注数据解决领域中标注数据不足的问题，并将两种实际序列标注模型应用于这个框架达到了良好的效果。

Aug, 2022

介绍了一种新的神经符号结构用于关系分类，结合了基于规则的方法和现代深度学习技术，通过语义文本匹配增强规则泛化能力，该方法在两个 few-shot 关系分类数据集上的评估中，表明在四个设置中有三个的性能优于之前的最先进模型。

Mar, 2024

通过 FewRel 2.0 任务，本研究检验了 few-shot 关系分类模型在新领域适应和检测未知关系方面的能力，并发现现有的领域自适应和 NOTA 检测技术仍不能很好地处理这两个问题。

Oct, 2019

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