本文提出了一种基于推理链和神经网络模型的远程监督关系抽取方法，能够更好地利用包含目标实体之一的句子，并在真实数据集上取得显著的抽取性能提升。

Sep, 2016

通过收集全文的文字和知识库关系的共现统计数据，利用文本关系嵌入来处理远程监督下错误标记的问题，从而增强了现有的关系提取模型，在常用关系提取数据集上，将精度从83.9％提高到89.3％。

Apr, 2017

通过引入Sub-Tree Parse和基于迁移学习的先验知识，我们提出了一种新的基于词级级别远程监督的关系提取方法，可以从自动构建的包含噪声词语的低质量句子数据集中提取关系，实验结果表明我们的方法相对现有最优工作提高了Precision/Recall(PR)的面积从0.35到0.39.

Aug, 2018

使用 TACRED 及 SemEval 2010 Task 8 数据集，TRE 通过使用预先训练的深度语言表示模型以及自注意力深度学习模型，从文本语料库中自动学习隐式语言特征并显著提高样本效率，从而实现了关系提取任务的新的最优结果。

Jun, 2019

本文回顾了现有的关系抽取方法，分析了当前面临的关键挑战，并展示了通向更强大的关系抽取的有前途的方向。

Apr, 2020

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

本文主要介绍了基于实体的关系抽取中传统的二元关系抽取及其发展，同时总结了近期提出的复杂关系抽取任务的定义、进展、挑战和机会。

Dec, 2020

该研究论文介绍了知识在自然语言处理中的重要性，并综述了基于深度神经网络的关系抽取技术，包括有监督和远程监督方法。此外，还讨论了该技术的一些新方法和未来研究方向。

Jan, 2021

关系抽取（RE）是自然语言处理的基础任务，本文综述了四个阶段的RE方法，包括模式匹配、统计、神经网络和大型语言模型，并着重介绍了现代RE方法的远程监控和去噪预训练方法。

Jul, 2022

本研究综述了关系抽取领域深度学习技术的现状，涵盖资源、分类、挑战和未来方向等方面，有望促进研究者共同探索真实生活中关系抽取系统的挑战。

Jun, 2023