通过提出一种召回 - 检索 - 推理关系抽取框架，将大型语言模型与检索语料库相结合，从而使语言模型能够在上下文中进行可靠的推理，以提高关系抽取的性能。

Apr, 2024

我们使用抽象意义表示（AMR）来协助神经对话建模，将 AMR 图形构建到对话系统中会更显著地提高对话理解和响应生成任务的效果。

May, 2021

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

通过集成大型语言模型和自然语言推理模块，我们提出一种自动标注方法来生成关系三元组，从而增强文档级关系数据集，我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性，该方法在重新注释众多长尾关系类型方面表现出色，并且在推进广义语言语义理解方面提供了实际好处。

Nov, 2023

本文研究使用抽象意义表示 (AMR)、依存句法和图核学习框架的结合，提高了生物分子相互作用提取系统的准确性和鲁棒性。

Dec, 2015

研究表明，通过在神经机器翻译中使用抽象意义表示（AMR）作为额外知识，可以显著改善一种强的基于注意力的序列到序列神经翻译模型在标准英德数据集上的翻译表现。

Feb, 2019

使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

Apr, 2017

本研究提出了一种基于语义学的预训练框架，使用抽象含义表示（AMR）来捕捉对话中的核心语义信息，实验证明其在闲聊和任务导向对话的理解上比标准预训练框架更具优势，并且是首次在对话预训练中利用了深层语义表示。

Sep, 2022

本文使用了 ICL 框架下的 OpenAI 模型，采用两种检索策略在 REFinD 数据集中取得了较好的结果，获得了第 4 名的成绩，最佳 F1 分数为 0.718。

Jun, 2023

在大语言模型 (LLMs) 时代，本文调查了语义表征在 LLMs 时代中的作用，并探讨了 Abstract Meaning Representation (AMR) 对五个不同自然语言处理任务的影响。通过提出了一种名为 AMRCoT 的 AMR 驱动的思维链提示方法，我们发现它通常会使性能下降。通过一系列分析实验，我们发现很难预测 AMR 在哪些输入示例上能帮助或妨碍，但错误通常出现在多词表达式、命名实体以及 LLM 在最终推理步骤中必须将其基于 AMR 的推理与预测相连接的地方。因此，我们建议将来关注这些领域的语义表征工作。

May, 2024