本研究通过使用基于跨度的管道方法，在 ChemProt 数据集上获得了新的最先进的 E2ERE（端到端关系提取）性能，结果比先前的最佳结果提高了 $> 4％$，结果表明简单的细粒度标记化方案有助于跨度方法在 E2ERE 中表现优异，特别是对于处理复杂命名实体。

Apr, 2023

本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系，该模型不依赖于外部自然语言处理工具，而是集成了大量的预训练语言模型， 在三个领域的五个数据集上，我们的模型可以与最先进的性能相提并论，有时甚至具有更高的性能。

Dec, 2019

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

本文提出了一种基于序列到序列模型的方法 seq2rel，使用实体推荐技术，可以替代传统的基于流水线任务的文档级关系抽取方法来同时完成抽取实体和关系的子任务，通过在几个受欢迎的生物医学数据集上的实验，本方法表现出了比现有流水线方法更优秀的性能，我们还展示了端到端方法超越流水线方法的结果。

Apr, 2022

本研究介绍了 GPT-RE，这是一种解决大型语言模型在关系提取中局限性的方法，包括任务特定实体表现的使用和黄金标签引导推理逻辑的使用。该方法在四个数据集上的实验结果表明其超过了 GPT-3 基线并且在 Semeval 和 SciERC 数据集上实现了 SOTA 表现。

May, 2023

该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

Dec, 2021

我们提出了一种基于超图神经网络的 PL-marker 模型的 Entity and Relation Extraction (ERE) 方法，采用高召回修剪机制来减轻错误传播，并在建立的超图上运行超图神经网络进行高阶推理，实验结果显示在 ERE 任务上相较于之前最先进的 PL-marker 模型有明显的提升。

Oct, 2023

本文提出了一种新颖的神经架构，利用表格结构和二维卷积技术进行本地依赖特征池化，从而改善了以往的最佳性能，在不需要全局优化的前提下实现了端对端关系提取任务（包括命名实体识别和关系抽取），相较于之前最好的结果提高了约 1％的 F1 分数，并且训练和测试时间快 7 至 10 倍。

May, 2019

本研究提出了一种简单的流水线方法来进行实体和关系抽取，并在标准基准测试中确立了新的最佳结果，通过对实体和关系进行不同的上下文表示，融合实体信息来提高性能，同时在全局上下文中引入信息以提高准确性。

Oct, 2020

本文主要研究了最新的自然语言处理技术中，神经网络和语言模型在命名实体识别和关系抽取方面的应用以及它们在训练过程中面临的一些挑战。我们发现，预训练的语言模型对发现未曾见过的命名实体表现良好，但对于未曾见过的关系则有待加强，因此模型的理解能力仍存在提升空间。

Jun, 2022