我们提出了一种基于查询的方法，用于构建关系三元组的实例级表示，然后通过对比学习，实现了关系三元组实例级表示的学习和全局信息连接，最终在五个广泛使用的基准测试中达到了最先进的水平。

Nov, 2022

本研究提出了一种基于扩散模型的关系推理方法（DiffRI），通过条件扩散建模来学习推断不同组件之间的连接存在概率，实验证明 DiffRI 在发现地面真实相互作用方面比其他先进模型具有很高的竞争力。

Jan, 2024

本文提出了超关系实体抽取（hyper-relational extraction）的任务，并设计了适用于该任务的 CubeRE 模型，该模型能够处理关系三元组及其限定词之间的交互，并在 HyperRED 数据集上取得了优于基线模型的效果。

Nov, 2022

提出了一种名为 DualOIE 的新型生成式开放信息提取模型，通过实现双重任务同时从句子中提取三元组并将其转化为句子的形式，有效地从句子中提取复杂三元组，实验证明 DualOIE 在两个基准测试以及美团数据集上表现最佳，Meituan 平台上的在线 A/B 测试显示通过 DualOIE 提取的三元组在美团的搜索系统中可以获得 0.93% 的 QV-CTR 改进和 0.56% 的 UV-CTR 改进。

Jan, 2024

本文提出了 OpenKI 模型，通过对 OpenIE 三元组和 Knowledge Bases（KB）的整合来处理 OpenIE 的稀疏性。该模型通过进行实例级别推理来处理未知实体，并借助聚合和关注机制在关系推理中利用其邻域中的信息。实验结果表明，该方法不仅显着提高了现有 OpenIE 提取的准确率，而且还提高了面向半结构化数据的 OpenIE 表现。

Apr, 2019

本研究探讨了一种模型，利用包括字符，子词，单词，句子和句对级别的不同粒度的文本表示来更好地表示文本，该模型在隐含关系识别中取得了 48% 以上的最新成果。

Jul, 2018

介绍了一种名为 EDIS 的跨模态图像搜索数据集，包括一百万个来自实际搜索引擎结果和策划数据集的 Web 图像，并与文本描述配对，旨在鼓励开发可以同时处理跨模态信息融合和匹配的提取模型，实验证明纯文本和视觉特征的融合对性能有很大影响。

May, 2023

该研究提出了一种称为 TEPrompt 的任务启示式预测学习模型，通过融合三个相关任务的学习特征来识别不明确文本间关系，实验结果表明，TEPrompt 在 IDRR 中表现优于 ConnPrompt，并且能够通过辅助任务的联合训练来提高决策特征和语言模型。

May, 2023

本文提出了一种基于图论分析的有效模型 DIRECT，采用了新颖的自适应多任务学习策略以及动态子任务损失平衡，实验证明此模型在关系三元组提取方面优于多种先进模型。

Jun, 2021

本文介绍了一种名为 DeepER 的新型实体解析（ER）系统，该系统利用了先进的深度学习技术，通过使用递归神经网络（RNN）和分布式表示（即向量）等方法。提高了解析准确性、效率和易用性，相比传统机器学习方法无需人工标记数据和手工制定特征和相似性函数阈值。在多个数据集上进行测试的实验结果表明，DeepER 优于现有的解决方案。

Oct, 2017