- SememeLM：一种用于长尾关系表示的基于义原知识增强的方法
本文提出了一种基于知识图谱的方法（SememeLM）来增强长尾关系的表示，在语言模型中引入义元能够打破词汇之间的上下文约束，并通过一致性对齐模块将外部知识与语言模型结合，最终在词类比数据集的实验中表现出优于一些现有方法的能力。
- 物品或关系 — 人工神经网络学习了什么？
人工神经网络（ANN）通过成功训练来解决任务后，学到的是训练项集还是它们之间的关系？在现代应用的 ANN 中，这个问题很难回答，因为其规模和复杂性巨大。因此，我们在这里考虑一个低维网络和一个简单任务，即网络必须完全复制一系列训练项。我们通过 - 利用大型语言模型进行关系发现来消除实体匹配的歧义
通过预定义一组与任务相关的关系，我们的方法将重点从纯粹识别语义相似性转移到理解并定义实体之间的 “关系”，以解决匹配中的模糊性，从而使分析员能够更有效地浏览从完全匹配到概念相关实体的相似性范围。
- 时间知识图谱的调查：表示学习和应用
通过综合调查学习了时间知识图谱表示学习及其应用，包括定义、数据集、评估指标、核心技术分类、方法分析以及与时间相关的下游应用，并对未来研究方向进行了展望。
- 检索有益还是有害？对语言模型检索增强效果的深入研究
通过研究大型语言模型的自身限制以及外部信息检索的有效性，本研究构建了一个新的问答数据集 WiTQA，以探索实体和关系的组合对于信息检索和知识回忆方面的影响，从而提出了一个基于实体和关系频率的自适应检索系统。
- MatSciRE：利用指针网络自动化实体和关系提取以构建材料科学知识库
我们提出了 MatSciRE（Material Science Relation Extractor），这是一种基于指针网络编码器 - 解码器框架，用于从材料科学文章中共同提取实体和关系的方法。我们针对电池材料的五种关系进行工作 - 电导率 - Qrlew: 将 SQL 重写为差分隐私 SQL
该研究论文介绍了 Qrlew，一个开源库，它可以将 SQL 查询解析为关系，即保留丰富的数据类型、值范围和行所有权的中间表示；从而可以轻松地将其重写为具有差分隐私等效性的查询，并将其转换为可在各种标准数据存储中执行的 SQL 查询。
- 激发对齐能力：多模态实体和关系抽取的力量
运用多模态提取与图像和文本对齐，利用创新的预训练目标来增强实体和关系的提取能力，实验结果显示相对先前的最佳方法有 3.41% 的 F1 改进，此方法对先前的多模态融合技术是正交的，并在先前的最佳方法的基础上提高了 5.47% 的 F1。
- Transformer 语言模型中的关系解码的线性性
基于 transformer 语言模型的研究中，发现存在一种简单而可解释的、但在各种情况下应用不一的知识表示策略，其主要通过关系、线性变换以及预测表达出来。
- ACL面向不确定性的引导式学习，用于远程监督数据上的联合抽取
提出使用不确定性感知引导的自我集成方法，令模型在远程监督数据中更准确地提取有歧义或嘈杂标签的实体对及其关系，实验证明其有效性和优于现有基线的性能。
- 基于 Span 和实体注意力机制的实体和重叠关系抽取技术
通过使用标准跨度机制和标记跨度机制、构建实体注意力机制，本研究提出了一种完全解决三元组重叠问题的信息抽取方法，并在两个公共数据集上进行了测试。该方法在这两个数据集上达到最佳性能。
- 学习组合视觉关系
本文提出了一种基于能量的模型，通过正交分解的方式，实现了对场景中各个物体之间关系的描述和生成，并改进了对场景结构的理解方法。
- ACL基于文本的 NP 富集
本文提出了一项新的任务，即基于文本的名词短语（NP）丰富（TNE），以便于富化文本中的每个 NP，使其包含所有与 NP 相关的介词中介的关系，通过使用语言模型对此进行研究，本文分析了数据，并提供了数据探索 UI、演示和链接等服务，以促进对这 - ACL基于潜在关系和全局对应的联合关系三元组抽取（PRGC）
本文提出了一种基于 PRGC 的联合关系三元组抽取框架，在公共基准测试中实现了最新技术的表现并在重叠三元组的复杂场景中提供一致的性能提升。
- VSR：将视觉、语义和关系结合的文档版面分析统一框架
提出了一种 VSR 统一框架，结合了视觉、语义和关系，可同时支持 NLP 和 CV 方法，其中使用文档图像和文本嵌入映射来引入视觉和语义，并通过图神经网络模块对布局组件之间的关系进行建模，取得了比以往模型更好的结果。
- RAGA: 基于关系感知的图注意力网络用于全局实体对齐
该论文提出了一种新颖的基于关系感知图注意力网络的框架，旨在捕捉实体和关系之间的交互，并通过全局对齐算法生成一个细粒度相似性矩阵，以实现多个知识图之间的实体对齐任务，实验结果表明，该框架的性能超过了现有的最先进方法。
- 从词嵌入解释知识图谱关系表达
研究利用词嵌入的理论，将知识图谱关系分为三种类型，并为每种类型导出其表示法的明确要求，以了解知识图谱数据的潜在结构如何被不同表达方法所捕捉。
- 基于新的分解策略的实体和关系联合抽取
本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三 - 数据因果学习的调查：问题与方法
本文研究了在海量数据时代我们如何学习原因关系及其联系对我们的影响。作者综述了传统和前沿的学习因果关系和关联的方法，并指出大数据的优势和挑战。
- CVPR零样本学习中的语义关系保留
本研究针对零样本学习领域，将语义信息与属性相关联，通过使用一组关系来利用属性所张成的空间结构，提出了一种方法，在嵌入空间中保留这些关系的目标函数，从而导致嵌入空间的语义性的提高。通过在五个基准数据集上进行广泛的实验评估，我们证明了欲使嵌入空