TLAG: An Informative Trigger and Label-Aware Knowledge Guided Model for Dialogue-based Relation Extraction
Peking University（北京大学）
基于对话的关系抽取（DRE）旨在预测对话中所提及的论元对的关系类型。最新的生物增强方法提出了触发预测任务，以促进DRE。然而，这些方法不能充分利用触发信息，甚至会给关系抽取带来噪声。为了解决这些问题，我们提出了TLAG，它充分利用触发器和标签感知的知识来指导关系抽取。首先，我们设计了一个自适应触发融合模块，充分利用触发信息。然后，我们引入标签感知知识，以进一步提高我们的模型的性能。在DialogRE数据集上的实验结果表明，TLAG的性能优于基准模型，详细的分析表明了该方法的有效性。
2023-03-30 cs.CL
SIRIUS-LTG-UiO at SemEval-2018 Task 7: Convolutional Neural Networks with Shortest Dependency Paths for Semantic Relation Extraction and Classification in Scientific Papers
University of Oslo（奥斯陆大学）
本文介绍了用于SemEval 2018任务7的SIRIUS-LTG-UiO系统，任务7是科学论文中的语义关系抽取和分类。首先提取两个实体之间的最短依赖路径（SDP），然后引入一个卷积神经网络（CNN），以最短依赖路径嵌入为输入，对共享任务的每个子任务执行不同目标的关系分类。这种方法实现了整体的F1得分为76.7和83.2的关系分类干净和嘈杂的数据，分别。此外，对于组合的关系抽取和分类干净的数据，它得到的F1得分为37.4和33.6的每个阶段。我们的系统在共享任务的所有三个子任务中排名第三。
2018-04-24 cs.CL
RAPS: A Novel Few-Shot Relation Extraction Pipeline with Query-Information Guided Attention and Adaptive Prototype Fusion
University of Science and Technology of China（中国科学技术大学）
Few-Shot关系抽取（FSRE）的目标是通过仅使用少量带注释的实例进行学习来识别不可见的关系。为了更有效地推广到新的关系，本文提出了一种新的管道FSRE任务的基础上查询信息引导的注意力和自适应原型fuSion，即RAPS。具体地说，RAPS首先通过查询信息引导的注意力模块，利用支持实例和查询实例之间丰富的交互信息，以获得更准确的初始原型表示的关系原型。然后，RAPS通过自适应原型融合机制将初始原型与相关信息进行融合，得到训练和预测的集成原型。在基准数据集FewRel 1.0上的实验表明，我们的方法对最先进的方法有显着的改进。
2022-11-08 cs.CL
Combining Long Short Term Memory and Convolutional Neural Network for Cross-Sentence n-ary Relation Extraction
University of Liverpool（利物浦大学）
本文提出了一种结合长短期记忆和卷积神经网络（LSTM-CNN）的模型，利用词嵌入和位置嵌入进行跨句n元关系抽取。该模型结合了LSTM和CNN的特性，同时利用长距离序列信息并捕获最具信息性的特征，这对于跨句子的n元关系抽取至关重要。LSTM-CNN模型在跨句子n元关系抽取的标准数据集上进行评估，其性能显著优于CNN、LSTM以及组合的CNN-LSTM模型等基线。本文还表明，LSTM-CNN模型在跨句子n元关系抽取方面优于当前最先进的方法。
2018-11-02 cs.CL cs.IR
Two-Stage Prompt Optimization for Few-Shot Relation Extraction: From Reasoning-Guided Search to Gradient-Guided Refinement
University of Arizona（亚利桑那大学）
提出两阶段框架，结合推理和梯度优化自动优化提示，在少样本关系抽取任务中取得最优性能。
2026-06-28 cs.AI cs.CL
Knowledge-guided Open Attribute Value Extraction with Reinforcement Learning
North Carolina State University（北卡罗来纳州立大学）；Fudan University（复旦大学）
面向新实体的开放属性值抽取是一项重要而又具有挑战性的任务。许多以前的工作制定的问题作为一个\textit{question-answering}（QA）的任务。虽然来自网络语料库的文章集合提供了关于新兴实体的更新信息，但检索到的文本可能是嘈杂的，不相关的，从而导致不准确的答案。有效地过滤掉噪声文章以及糟糕的答案是提高抽取准确率的关键。知识图谱（KG）包含关于实体的丰富的、组织良好的信息，为解决这一挑战提供了良好的资源。在这项工作中，我们提出了一个知识引导的强化学习（RL）框架的开放属性值提取。根据KG中的相关知识，我们训练了一个深度Q网络来顺序比较提取的答案，以提高提取的准确性。该框架适用于不同的信息抽取系统。我们的实验结果表明，我们的方法优于基线的16.5 - 27.8%。
2020-10-19 cs.CL cs.IR
Convolutional neural networks for chemical-disease relation extraction are improved with character-based word embeddings
School of Computing and Information Systems（计算与信息系统学院）；The University of Melbourne（墨尔本大学）
我们研究了将基于字符的单词表示纳入标准的基于CNN的关系抽取模型。我们使用两种常见的神经架构CNN和LSTM进行实验，以从字符嵌入中学习单词向量表示。通过BioCreative-V CDR语料库上的一项任务，提取化学品和疾病之间的关系，我们表明，利用基于字符的单词表示的模型改进了不使用此信息的模型，获得了相对于以前的神经方法的最先进的结果。
2018-05-27 cs.CL
DemoSG: Demonstration-enhanced Schema-guided Generation for Low-resource Event Extraction
Beijing University of Posts and Telecommunications（北京邮电大学）
提出DemoSG模型，通过演示学习和模式引导生成，在低资源事件抽取中显著提升性能。
2023-10-16 cs.AI cs.CL cs.IR
Relation Extraction with Self-determined Graph Convolutional Network
Inception Institute of Artificial Intelligence（起源人工智能研究院）；PAX-AI
关系抽取是一种获取文本中实体之间语义关系的方法。最先进的方法使用语言工具来为其中出现实体的文本构建图，然后采用图卷积网络（GCN）来对预先构建的图进行编码。虽然它们的性能很有希望，但对语言工具的依赖导致了非端到端的过程。在这项工作中，我们提出了一种新的模型，自确定的图卷积网络（SGCN），它确定了一个加权图使用自注意力机制，而不是使用任何语言工具。然后，使用GCN对自确定图进行编码。我们在TACRED数据集上测试了我们的模型，并取得了最先进的结果。实验表明，SGCN的性能优于传统的GCN，后者使用依存句法分析工具来构建图。
2020-08-27 cs.CL
From Examples to Rules: Neural Guided Rule Synthesis for Information Extraction
University of Arizona（亚利桑那大学）
虽然用于信息抽取的深度学习方法已经取得了许多成功，但随着需求的变化，它们可能很难扩展或维护。另一方面，基于规则的方法可以更容易地修改。然而，制定规则需要语言学和感兴趣领域的专业知识，这对大多数用户来说是不可行的。在这里，我们试图结合这两个方向的优点，同时减轻他们的缺点。我们适应最近的进展，从相邻领域的程序合成信息抽取，合成规则提供的例子。我们使用基于转换器的架构来指导枚举搜索，并表明这减少了在发现规则之前需要探索的步骤数量。此外，我们表明，在没有在特定域上训练合成算法的情况下，我们合成的规则在专注于关系分类的少样本学习的任务的1次场景上实现了最先进的性能，和竞争力的表现在5杆的情况下。
2022-01-16 cs.CL cs.IR cs.LG
MIT at SemEval-2017 Task 10: Relation Extraction with Convolutional Neural Networks
MIT（麻省理工学院）
发表了5 000多万篇学术文章：它们构成了一个独特的知识库。特别是，人们可以从中推断出科学概念之间的关系，如同义词和下位词。人工神经网络最近已被探索用于关系抽取。在这项工作中，我们继续这条工作线，并提出了一个系统的基础上的卷积神经网络提取关系。我们的模型在SemEval-2017任务10（ScienceIE）中排名第一，用于科学文章中的关系抽取（子任务C）。
2017-04-05 cs.AI cs.CL cs.NE
Knowledge-guided Convolutional Networks for Chemical-Disease Relation Extraction
School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）；School of Foreign Languages, Dalian University of Technology（大连理工大学外国语学院）；School of Mathematical Sciences, Dalian University of Technology（大连理工大学数学科学学院）
背景资料：从非结构化文本中自动提取化学-疾病关系对于疾病治疗和药物开发具有重要意义。与此同时，生物医学专家已经建立了许多高度结构化的知识库（KBs），其中包含有关化学品和疾病的先验知识。先验知识为CDR提取提供了强有力的支持。如何充分利用它是值得研究的问题。结果：本文提出了一种新的模型，称为“知识引导卷积网络（KCN）”，利用先验知识的CDR提取。该模型首先从知识库中学习包括实体嵌入和关系嵌入的知识表示。然后，使用实体嵌入来控制上下文特征向具有门控卷积的化学疾病对的传播。在此基础上，通过共享注意池，利用关系嵌入进一步获取加权上下文特征。最后，包含额外知识信息的加权上下文特征用于CDR提取。在BioCreative V CDR数据集上的实验表明，所提出的KCN达到了71.28%的F1分数，这优于大多数最先进的系统。结论：本文提出了一种新的CDR提取模型KCN，以充分利用先验知识。实验结果表明，KCN可以有效地集成先验知识和上下文的性能提高。
2019-12-23 cs.CL
Document-level Relation Extraction with Context Guided Mention Integration and Inter-pair Reasoning
Hunan Normal University（湖南师范大学）；Changsha University of Science & Technology（长沙理工大学）
文档级关系抽取（DRE）的目的是识别两个实体之间的关系。实体可以对应于跨越句子边界的多个提及。以前很少有研究探讨提及整合，这可能是有问题的，因为共指提及并不等同于一个特定的关系。此外，以前的努力主要集中在实体级的推理，而不是捕捉实体对之间的全局交互。在本文中，我们提出了两个新的技术，上下文引导提及集成和对间推理（CGM2IR），以提高DRE。与简单地应用平均池不同，上下文被用来以加权和的方式指导共指提及的整合。此外，对间推理在实体对图上执行迭代算法，以便对关系的相互依赖性进行建模。我们在三个广泛使用的基准数据集上评估了我们的CGM2IR模型，即DocRED，CDR和GDA。实验结果表明，我们的模型优于以前的国家的最先进的模型。
2022-01-13 cs.CL
Relational Extraction on Wikipedia Tables using Convolutional and Memory Networks
University of Alberta（阿尔伯塔大学）
针对维基百科表格中的关系抽取，提出结合 CNN 与 BiLSTM 的神经模型，实验显示其性能稳定优于既有方法，并通过消融与错误分析验证各组件贡献。
2023-07-11 cs.AI cs.CL cs.IR
Mutually Guided Few-shot Learning for Relational Triple Extraction
Tongji University（同济大学）；City University of Hong Kong（香港城市大学）
提出相互引导小样本学习框架MG-FTE，通过实体引导关系分类和关系引导实体抽取，并设计原型级融合模块，在FewRel 1.0和2.0上分别提升F1达12.6和20.5。
2023-06-23 cs.AI cs.CL
Inter-sentence Relation Extraction with Document-level Graph Convolutional Neural Network
Toyota Technological Institute（丰田工业大学）；Artificial Intelligence Research Center (AIRC), National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所人工智能研究中心）
句间关系抽取处理的是文档中大量复杂的语义关系，这些关系需要局部、非局部、句法和语义依赖。现有的方法没有充分利用这种依赖性。本文提出了一种新的句间关系抽取模型，该模型在文档级图上建立了一个标记边图卷积神经网络模型。该图使用各种句间和句内依赖关系来构建，以捕获本地和非本地依赖关系信息。为了预测实体对的关系，我们利用双仿射成对评分的多实例学习。实验结果表明，我们的模型在两个生物化学数据集上实现了与最先进的神经模型相当的性能。我们的分析表明，图中的所有类型是有效的句间关系抽取。
2019-06-11 cs.CL cs.IR
Document-level Causal Relation Extraction with Knowledge-guided Binary Question Answering
University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对事件-事件因果关系抽取中缺乏文档级建模和因果幻觉的问题，提出融合事件结构的知识引导二元问答方法，在多数据集上验证了其有效性、泛化性与低不一致性，在MECI上达SOTA。
2024-10-07 cs.CL
ConstGCN: Constrained Transmission-based Graph Convolutional Networks for Document-level Relation Extraction
Tsinghua University（清华大学）；Beijing Kedong Electric Control System Co. Ltd.（北京科东电力控制系统有限责任公司）
基于图神经网络的文档级关系抽取在训练和推理之间存在一个基本的图构造鸿沟--黄金图结构仅在训练时可用，这导致大多数方法采用启发式或语法规则来构造先验图作为伪代理。在本文中，我们提出了$\textbf{ConstGCN}$，一种新的图卷积网络，它执行实体之间的知识为基础的信息传播以及所有特定的关系空间，而无需任何事先图的建设。具体来说，它通过聚合来自所有其他实体以及每个关系空间的信息来更新实体表示，从而对关系感知的空间信息进行建模。为了控制信息流通过不确定的关系空间，我们提出了限制传播使用事实三元组之间的噪声对比估计学习的传输分数。实验结果表明，我们的方法优于以前的国家的最先进的（SOTA）的方法在DocRE数据集。
2022-10-08 cs.CL
FastRE: Towards Fast Relation Extraction with Convolutional Encoder and Improved Cascade Binary Tagging Framework
Southeast University（东南大学）；Tencent Inc.（腾讯公司）
最近从文本中提取关系的工作取得了优异的性能。然而，大多数现有的方法不太关注效率，使得它仍然具有挑战性，快速提取关系，从海量或流文本数据在现实的场景。主要的效率瓶颈是这些方法使用基于transformer的预训练语言模型进行编码，这严重影响了训练速度和推理速度。为了解决这个问题，我们提出了一个快速关系抽取模型（FastRE）基于卷积编码器和改进的级联二进制标记框架。与以前的工作相比，FastRE采用了几项创新，以提高效率，同时保持有前途的性能。具体而言，FastRE采用了一种新颖的卷积编码器结构，结合了扩展卷积、门控单元和残差连接，在保持令人满意的性能的同时，显著降低了训练和推理的计算开销。此外，为了改进级联二进制标记框架，FastRE首先引入了类型-关系映射机制来提高标记效率和减少关系冗余，然后利用位置相关的自适应阈值策略来获得更高的标记准确率和更好的模型泛化能力。实验结果表明，FastRE在效率和性能之间取得了很好的平衡，与最先进的模型相比，训练速度提高了3- 10倍，推理速度提高了7- 15倍，参数减少了1/100，而性能仍然具有竞争力。
2022-05-22 cs.AI cs.CL cs.LG
Reflect then Learn: Active Prompting for Information Extraction Guided by Introspective Confusion
NUAA-MMMI（南京航空航天大学- MMMI）
本文提出APIE框架，通过反思困惑度评估，主动选择具有挑战性和信息量的样本，提升信息提取的准确性和鲁棒性。
2026-05-12 cs.AI cs.CL cs.IR
Cross-Task Instance Representation Interactions and Label Dependencies for Joint Information Extraction with Graph Convolutional Networks
University of Oregon（俄勒冈大学）
现有的信息抽取（IE）工作主要是分别解决四个主要任务（实体提及识别、关系抽取、事件触发器检测和参数抽取），因此未能从任务之间的相互依赖性中获益。本文提出了一种新的深度学习模型，可以在一个模型中同时解决IE的四个任务（称为FourIE）。与之前联合执行四个IE任务的工作相比，FourIE具有两个新的贡献来捕获任务之间的相互依赖性。首先，在表示层面，我们引入了四个任务的实例之间的交互图，用于丰富一个实例的预测表示与其他任务的相关实例。其次，在标签级别，我们提出了一个依赖图的信息类型在四个IE任务，捕捉输入句子中表达的类型之间的连接。引入了一种新的正则化机制来加强黄金依赖图和预测依赖图之间的一致性，以改善表示学习。我们表明，该模型实现了最先进的性能，联合IE单语和多语言学习设置与三种不同的语言。
2021-03-26 cs.CL
Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations
Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University（北京航空航天大学大数据与脑机智能高精尖创新中心）；Macquarie University（麦考瑞大学）；National Computer Network Emergency Response Technical Team/Coordination Center of China（国家计算机网络应急技术处理协调中心）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Leeds（利兹大学）
事件抽取是自然语言处理的一项基本任务。发现事件参数（如事件参与者）的角色对于事件提取至关重要。然而，这样做的现实生活中的事件描述是具有挑战性的，因为一个参数的作用往往在不同的情况下变化。虽然多个参数之间的关系和相互作用对于解决参数角色是有用的，但现有方法在很大程度上忽略了这些信息。本文提出了一种更好的方法，通过显式地利用事件参数的关系的事件提取。我们通过精心设计的面向任务的对话系统来实现这一点。为了对参数关系进行建模，我们采用强化学习和增量学习来通过多轮迭代过程提取多个参数。我们的方法利用同一句话中已经提取的参数的知识来确定难以单独决定的参数的作用。然后，它使用新获得的信息来改进先前提取的参数的决策。这种双向反馈过程使我们能够利用论元关系来有效地解决论元角色，从而更好地理解句子和提取事件。实验结果表明，我们的方法始终优于七个国家的最先进的事件提取方法的分类的事件和参数的角色和参数识别。
2021-12-22 cs.CL
Enhancing Contrastive Learning with Noise-Guided Attack: Towards Continual Relation Extraction in the Wild
Fudan University（复旦大学）
本文提出噪声持续关系抽取场景及NaCL框架，通过噪声引导攻击修改特征空间以匹配噪声标签，增强对比表示，在噪声率增加时持续提升性能并优于现有基线。
2023-05-11 cs.CL
Ontology-Guided Multi-Agent Extraction of Evaluation Objects from Academic Review Texts: Evidence from Chinese Library and Information Science
Nanjing University（南京大学）
针对学术评论文本中评价对象抽取效果差的问题，提出本体引导的多智能体框架，在中文图书馆与信息科学数据上取得优于基线的性能，为相关研究评价和情报挖掘提供方法支持。
2026-09-01 cs.CL
Hierarchical Relation-Guided Type-Sentence Alignment for Long-Tail Relation Extraction with Distant Supervision
University of Technology Sydney（悉尼科技大学）
远程监督使用知识图谱中的三重事实来标注语料库以进行关系抽取，导致错误标注和长尾问题。一些作品使用关系的层次结构进行知识转移到长尾关系。然而，粗粒度的关系通常仅意味着属性（例如，域或主题）的远距离事实，使得很难区分关系的基础上，单独的句子语义。一种解决方案是诉诸实体类型，但关于如何充分利用实体类型的信息以及如何将多粒度实体类型与句子对齐的问题仍然存在。在这项工作中，我们提出了一种新的模型来丰富实体类型的远程监督句子。它包括（1）一个成对的类型丰富的句子编码模块注入上下文无关的和相关的背景，以减轻重复级别的错误标记，和（2）一个分层的类型句子对齐模块丰富的句子与三重事实的基本属性，以支持长尾关系。我们的模型在基准测试的整体和长尾性能方面取得了新的最先进的结果。
2021-09-19 cs.CL
Emotion-Cause Pair Extraction as Question Answering
Cinnamon AI（肉桂人工智能公司）；Hung Yen University of Technology and Education（兴安技术教育大学）
情感-原因对抽取（ECPE）的任务是在没有任何情感或原因子句注释的情况下抽取文档中所有潜在的情感-原因对。以前的方法ECPE试图改善传统的两步处理方案，通过使用复杂的架构建模的情绪-原因的相互作用。在本文中，我们将ECPE任务转换为问答（QA）问题，并提出了简单而有效的基于BERT的解决方案来解决它。给定一个文档，我们的Guided-QA模型首先使用一个固定的问题来预测最佳的情感子句。然后，预测的情绪被用作一个问题来预测情绪的最潜在原因。我们评估我们的模型在一个标准的ECPE语料库。实验结果表明，尽管它的简单性，我们的引导QA取得了可喜的成果，很容易重现。并给出了Guided-QA的代码。
2023-01-06 cs.CL
Multi-Scale Feature and Metric Learning for Relation Extraction
Wuhan University（武汉大学）
现有的关系抽取方法利用了词序列中的词汇特征和句法树中的句法特征。虽然有效，但从连续单词序列中提取的词汇特征可能会引入一些具有很少或没有有意义内容的噪声。同时，句法特征通常是通过图卷积网络编码的，它具有有限的感受野。为了解决上述局限性，我们提出了一个多尺度特征和度量学习框架的关系抽取。具体来说，我们首先开发了一个多尺度卷积神经网络来聚合词汇序列中的非连续主干。我们还设计了一个多尺度的图卷积网络，它可以增加对特定句法角色的感受野。此外，我们提出了一个多尺度的度量学习范式，利用词汇和句法特征之间的特征级关系和样本级关系的实例相同或不同的类。我们在三个真实世界的数据集上进行了广泛的实验，用于各种类型的关系抽取任务。结果表明，我们的模型显着优于国家的最先进的方法。
2021-07-28 cs.CL
Structural block driven - enhanced convolutional neural representation for relation extraction
University of Copenhagen（哥本哈根大学）；University of Padova（帕多瓦大学）；École de technologie supérieure（高等技术学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Queensland University of Technology（昆士兰科技大学）
本文提出了一种新的结构块驱动的轻量级关系抽取方法-卷积神经学习。具体来说，我们通过依赖性分析检测与实体相关的基本顺序令牌，称为结构块，并利用多尺度CNN仅对块和块间表示进行编码。这是为了1）从句子的不相关部分中消除噪声;同时2）用块方式和块间方式语义丰富的表示来增强相关块表示。我们的方法具有独立于长句上下文的优点，因为我们只对块边界内的顺序令牌进行编码。在两个数据集上的实验，即，SemEval 2010和KBP 37，证明了我们的方法的显着优势。特别是，我们在KBP 37数据集上实现了新的最先进的性能;并且与SemEval 2010数据集上的最先进性能相当。
2021-03-21 cs.AI cs.CL
Relation extraction from clinical texts using domain invariant convolutional neural network
IIT Guwahati（印度理工学院古瓦哈提分校）；Excelra Knowledge Solutions Pvt Ltd（Excelra知识解决方案私人有限公司）
近年来，从生物医学和临床文本（如研究文章、出院摘要或电子健康记录）中提取相关信息一直是许多研究工作和共同挑战的主题。关系抽取是对给定文本中实体之间的语义关系进行检测和分类的过程。在生物医学领域中，用于此任务的现有模型使用手动工程特征或内核方法来创建特征向量。然后将这些特征馈送到分类器以预测正确的类别。事实证明，这些方法的结果是高度依赖于用户设计的功能的质量，也遭受维数灾难。在这项工作中，我们专注于从临床出院总结中提取关系。我们的主要目标是利用卷积神经网络（CNN）的能力来自动学习特征，从而减少对手动特征工程的依赖。我们在i2 b2 -2010临床关系抽取挑战数据集上评估了所提出的模型的性能。我们的研究结果表明，卷积神经网络可以是一个很好的模型，在临床文本的关系提取，而不依赖于专家的知识来定义质量特征。
2016-06-30 cs.CL
BioIE: Biomedical Information Extraction with Multi-head Attention Enhanced Graph Convolutional Network
Xi’an Jiaotong University（西安交通大学）；The First Affiliated Hospital of Xi’an Jiaotong University（西安交通大学第一附属医院）
构建大规模的医学知识图谱可以极大地促进医学监护在医疗保健领域的应用，近年来受到了广泛的关注。构建大规模MKG的一个重要步骤是从医疗报告中提取信息。近年来，信息抽取技术在生物医学信息抽取中得到了广泛的应用。然而，这些方法只考虑有限类型的实体和关系，由于嘈杂的生物医学文本数据与复杂的实体相关性。因此，它们不能为构建MKG提供足够的信息，并限制了下游应用。为了解决这个问题，我们提出了生物医学信息抽取，一个混合神经网络，从生物医学文本和非结构化的医疗报告中提取关系。我们的模型利用一个多头注意力增强的图卷积网络来捕捉复杂的关系和上下文信息，同时抵抗来自数据的噪声。我们评估我们的模型上两个主要的生物医学关系提取任务，化学-疾病关系和化学-蛋白质相互作用，和跨医院泛癌症病理报告语料库。结果表明，我们的方法实现了优于基线的性能。此外，我们评估了我们的方法的适用性下的迁移学习设置，并表明BioIE在处理不同格式和写作风格的医学文本取得了良好的性能。
2021-10-26 cs.AI cs.CL cs.CV
GuideX: Guided Synthetic Data Generation for Zero-Shot Information Extraction
HiTZ Basque Center for Language Technology - Ixa NLP Group（巴斯克语言技术中心HiTZ - Ixa NLP小组）；University of the Basque Country (UPV/EHU)（巴斯克国家大学）；Technical University of Munich (TUM)（慕尼黑技术大学）
本文提出GUIDEX方法，通过自动定义领域模式、推断指南并生成合成标注数据来提升零样本信息抽取的域外泛化能力，在七个零样本命名实体识别基准上取得最优结果，无需人工标注数据即可显著超越先前方法。
2025-05-31 cs.CL
Uncertainty Guided Label Denoising for Document-level Distant Relation Extraction
Nanjing University of Science and Technology（南京理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Northeastern University（东北大学）
本文提出UGDRE框架，通过实例级不确定性估计和针对长尾关系的动态阈值筛选伪标签，有效降低文档级远程关系抽取中的标签噪声，并在RE-DocRED上显著超越强基线。
2023-05-26 cs.AI cs.CL
ReaORE: Reasoning-Guided Progressive Open Relation Extraction Empowered by Large Reasoning Models
National Institute for Data Science in Health and Medicine, Xiamen University（厦门大学健康医疗大数据国家研究院）；School of Informatics, Xiamen University（厦门大学信息学院）
提出ReaORE框架，通过粗到细的关系推理（关系过滤与关系预测）解决开放关系抽取中关系标签生成和易混淆关系区分难题，在数据集上超越现有方法。
2026-06-26 cs.AI cs.CL
Event Guided Denoising for Multilingual Relation Learning
Columbia University（哥伦比亚大学）
通用关系抽取最近取得了相当大的进展，部分原因是Soares et al.（2019）的大规模数据密集型远程监督技术，该技术在许多基准测试中产生了最先进的结果。在这项工作中，我们提出了一种方法，用于收集高质量的训练数据，从未标记的文本中关系抽取，实现了近重建的zero-shot和Few-Shot的结果在一小部分的训练成本。我们的方法利用可预测的分布结构的日期标记的新闻文章，建立一个去噪语料库-提取过程过滤掉低质量的例子。我们表明，在这个语料库上训练的一个较小的多语言编码器在英语和西班牙语的Few-Shot和标准关系基准上执行了与当前最先进水平（当两者都很少或没有微调时）的匹配，尽管使用了更少的示例（50 k与300 mil+）。
2020-12-04 cs.CL
Document-level Clinical Entity and Relation Extraction via Knowledge Base-Guided Generation
Washington University School of Medicine（华盛顿大学医学院）；Washington University in St. Louis（圣路易斯华盛顿大学）
本研究提出结合UMLS知识库与GPT模型的文档级临床实体关系抽取框架，通过筛选相关UMLS概念融入提示引导抽取，实验证明其效果优于少样本基线与标准RAG方法，展现了知识与大模型结合在医疗领域的潜力。
2024-07-13 cs.AI cs.CL
Global Structure Knowledge-Guided Relation Extraction Method for Visually-Rich Document
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；Worcester Polytechnic Institute（伍斯特理工学院）
本文提出GOSE框架，通过“生成-捕获-融入”的迭代循环将全局结构知识融入实体表示，以缓解视觉关系抽取中长距离关系学习和冲突预测问题，并在标准微调、跨语言和低资源场景下均取得优越性能。
2023-10-27 cs.AI cs.CL
ETH-DS3Lab at SemEval-2018 Task 7: Effectively Combining Recurrent and Convolutional Neural Networks for Relation Classification and Extraction
ETH Zurich（苏黎世联邦理工学院）；IBM Research（IBM研究院）
可靠地检测非结构化文本中实体之间的相关关系是知识提取的宝贵资源，这就是为什么它在自然语言处理领域引起了极大的兴趣。在本文中，我们提出了一个基于卷积和递归神经网络集成的关系分类和提取系统，该系统在SemEval 2018任务7的4个子任务中的3个子任务中排名第一。我们为最相关的功能背后的设计选择提供了详细的解释和依据，并分析了它们的重要性。
2018-04-05 cs.CL
Back to Prior Knowledge: Joint Event Causality Extraction via Convolutional Semantic Infusion
School of Computer Engineering and Science, Shanghai University（上海大学计算机工程与科学学院）
联合事件和因果关系提取是信息检索和数据采掘中一项具有挑战性的重要任务。最近，预先训练的语言模型（例如，BERT）产生最先进的结果，并在各种NLP任务中占主导地位。然而，这些模型是无法强加外部知识领域特定的提取。考虑到表示因果事件的频繁n-gram的先验知识可能有利于事件和因果关系提取，在本文中，我们提出了联合提取框架内具有不同长度窗口的频繁n-gram的卷积知识注入。卷积滤波器初始化期间的知识注入不仅有助于模型捕获事件内（即，事件集群中的特征）和事件间（即，跨事件集群的关联）特征，而且还促进训练收敛。在基准数据集上的实验结果表明，我们的模型显著优于强BERT+CSNN基线。
2021-02-19 cs.AI cs.CL
Clinical Text Classification with Rule-based Features and Knowledge-guided Convolutional Neural Networks
Northwestern University（西北大学）
临床文本分类是医学自然语言处理中的一个重要问题。现有的研究通常集中在基于规则或知识源的特征工程，但只有少数人利用深度学习方法的有效特征学习能力。在这项研究中，我们提出了一种新的方法，该方法结合了基于规则的特征和知识引导的深度学习技术，用于有效的疾病分类。我们的方法的关键步骤包括识别触发短语，使用触发短语和训练卷积神经网络与词嵌入和统一医学语言系统（UMLS）实体嵌入的非常少的例子预测类。我们在2008年整合信息学与生物学和床边（i2b2）肥胖挑战中评估了我们的方法。结果表明，我们的方法优于最先进的方法。
2018-07-20 cs.CL
Subgraph Extraction-based Feedback-guided Iterative Scheduling for HLS
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Google（谷歌）；X, the moonshot factory（X，登月工厂）
提出 ISDC 迭代调度算法，通过增强型 SDC 建模和基于扇出、窗口的子图提取整合下游工具反馈，在无人参与流程中使 HLS 寄存器用量较工业级开源工具降低 28.5%。
2024-01-22 cs.CL
Unified Learnable 2D Convolutional Feature Extraction for ASR
本文提出一种用于ASR的统一可学习2D卷积特征提取前端，通过减少经典方法影响并统一架构，在计算资源有限场景下实现了与现有监督式方法匹配的性能。
2025-09-12 cs.CL cs.LG cs.SD
OneKE: A Dockerized Schema-Guided LLM Agent-based Knowledge Extraction System
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）
本文提出OneKE，一个Docker化的模式引导多智能体知识抽取系统，通过可配置知识库支持多领域Web与PDF知识抽取，并在基准测试中验证了其有效性和广泛适用性。
2025-02-06 cs.AI cs.CL cs.DB
TASER: Table Agents for Schema-guided Extraction and Recommendation
J.P. Morgan AI Research（摩根大通人工智能研究）
TASER 是一种持续学习的表格提取与推荐系统，通过模式引导提升复杂表格数据的提取效率和准确性。
2026-02-23 cs.AI cs.CL cs.IR
Pair-Based Joint Encoding with Relational Graph Convolutional Networks for Emotion-Cause Pair Extraction
South China University of Technology（华南理工大学）
情感-原因对提取（ECPE）是近年来受到广泛关注的一个研究课题，旨在提取情感小句及其对应的原因小句。先前的方法以指定的顺序顺序对特征进行顺序编码。他们首先编码的情感和原因特征提取小句，然后将它们结合起来对提取。这导致任务间特征交互的不平衡，其中稍后提取的特征与前者没有直接接触。为了解决这个问题，我们提出了一种新的基于对的联合编码（PBJE）网络，它产生的对和子句功能，同时在一个联合特征编码的方式来建模子句中的因果关系。PBJE能够平衡情感小句、原因小句和语对之间的信息流。从多关系的角度出发，构造了一个异构无向图，并应用关系图卷积网络（RGCN）来刻画子句之间的各种关系以及对与子句之间的关系。实验结果表明，PBJE在中文基准语料库上达到了最佳的性能。
2022-12-04 cs.AI cs.CL
Bridging Generative and Discriminative Learning: Few-Shot Relation Extraction via Two-Stage Knowledge-Guided Pre-training
University of Electronic Science and Technology of China（电子科技大学）；Nanyang Technological University（南洋理工大学）；Information Engineering University（信息工程大学）；National University of Defense Technology（国防科技大学）
针对少样本关系抽取数据稀缺、模型泛化弱的问题，提出融合生成与判别学习的TKRE框架，通过LLM生成知识与合成数据、两阶段预训练增强推理能力，在基准上取得SOTA，适用于低资源场景。
2025-05-18 cs.AI cs.CL cs.LG
ViStruct: Visual Structural Knowledge Extraction via Curriculum Guided Code-Vision Representation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Northwestern University（西北大学）
提出ViStruct训练框架，利用编程语言结构表示视觉信息并结合课程学习，提升视觉语言模型对多粒度视觉结构知识的抽取与理解能力。
2023-11-22 cs.CL cs.CV cs.LG
Agent-Guided Evidence Acquisition for Emotion-Cause Pair Extraction
Universiti Malaya（马来亚大学）；Suzhou University of Technology（苏州科技大学）；VinUniversity
该研究针对情感-原因对抽取（ECPE），提出智能体引导的证据获取方法，在10%查询率下使平均对F1提升2.64-3.88个百分点，为ECPE的高效证据获取提供了实证基础。
2026-10-14 cs.CL
Enhancing Phrase Representation by Information Bottleneck Guided Text Diffusion Process for Keyphrase Extraction
OPPO Research Institute（OPPO研究院）
针对关键短语抽取任务中现有方法无法有效利用关键短语信息的问题，提出Diff-KPE方法，利用变分信息瓶颈引导文本扩散过程生成增强的关键短语表示并结合排序网络进行候选短语排序，在多个数据集上优于现有方法。
2024-03-20 cs.CL
LLM-based Schema-Guided Extraction and Validation of Missing-Person Intelligence from Heterogeneous Data Sources
Old Dominion University（欧道明大学）
本文提出Guardian Parser Pack，通过AI驱动的解析与规范化流程，将多源调查文档统一为符合模式的表示，提升缺失人员情报的提取与验证效率，同时展示系统架构及性能评估结果。
2026-04-08 cs.AI cs.CL cs.IR
Keyphrase Extraction with Dynamic Graph Convolutional Networks and Diversified Inference
Alibaba Group（阿里巴巴集团）；State Key Laboratory of High Performance Computing, National University of Defense Technology（国防科技大学高性能计算国家重点实验室）
关键词提取（KE）的目的是总结一组短语，准确地表达一个概念或主题涵盖在一个给定的文档。近年来，基于序列到序列（Seq2Seq）的生成框架被广泛应用于知识工程任务中，并在各种基准测试中获得了有竞争力的性能。Seq2Seq方法的主要挑战在于获取信息丰富的潜在文档表示和更好地建模目标关键词集的组合性，这将直接影响生成的关键词的质量。本文提出采用动态图卷积网络（DGCN）同时解决上述两个问题。具体地说，我们探索将依赖树与GCN结合起来进行潜在的表示学习。此外，在我们的模型中的图结构是动态修改的学习过程中，根据生成的关键词。为此，我们的方法是能够明确地学习关键词集合内的关系，并保证编码器和解码器之间的信息交换在两个方向上。在各种KE基准数据集上的实验证明了该方法的有效性。
2020-10-24 cs.AI cs.CL
Self-Guided Plan Extraction for Instruction-Following Tasks with Goal-Conditional Reinforcement Learning
AXXX；MIRAI
本文提出SuperIgor框架，通过自学习机制使语言模型生成并优化高层计划，减少手动标注需求。通过迭代共训练，强化学习代理和语言模型共同改进，验证了在动态和随机环境中严格遵循指令的能力。
2026-04-22 cs.AI cs.CL
Enhancing Drug-Drug Interaction Extraction from Texts by Molecular Structure Information
Computational Intelligence Laboratory（计算智能实验室）；Toyota Technological Institute（丰田工业大学）
我们提出了一种新的神经网络方法，利用外部药物分子结构信息从文本中提取药物相互作用（DDI）。我们用卷积神经网络编码文本药物对，用图卷积网络（GCN）编码它们的分子对，然后我们连接这两个网络的输出。在实验中，我们表明GCN可以从药物的分子结构中高精度地预测DDI，并且分子信息可以在DDIExtraction 2013共享任务数据集上将基于文本的DDI提取提高2.39%的F分数。
2018-05-15 cs.CL
Agentic schema-guided extraction of materials process knowledge from scientific literature
TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）
提出SciKGExtract框架，结合大语言模型抽取、化学归一化与智能体细化，从原子层沉积文献中提取工艺知识，显著提升抽取F1分数，验证了化学规范化与智能体验证的互补作用。
2026-10-06 cond-mat.mtrl-sci cs.AI cs.CL
EIPE-text: Evaluation-Guided Iterative Plan Extraction for Long-Form Narrative Text Generation
Microsoft Research Asia（微软亚洲研究院）
针对长篇叙事生成中规划质量不佳的问题，提出EIPE-text框架，通过问答评估引导的迭代计划提取构建更好规划器，经微调或上下文学习提升生成连贯性与相关性。
2023-10-12 cs.AI cs.CL
