Scientific and Technological Text Knowledge Extraction Method of based on Word Mixing and GRU
知识抽取的任务是从非结构化文本数据中抽取三元关系（头实体-关系-尾实体）。现有的知识提取方法分为“流水线”方法和联合提取方法。“流水线”方法是将命名实体识别和实体关系抽取分离，使用各自的模块进行抽取。这种方法虽然具有较好的灵活性，但训练速度较慢。联合抽取的学习模型是通过神经网络实现的端到端模型，同时实现实体识别和关系抽取，能够很好地保留实体和关系之间的关联，将实体和关系的联合抽取转化为序列标注问题。提出一种基于词混合和GRU的科技资源知识抽取方法，结合词混合向量映射方法和自注意力机制，有效提高中文科技资源文本关系抽取的效果。
2022-03-31 cs.AI cs.CL
A logic-based relational learning approach to relation extraction: The OntoILPER system
Universidade Federal Rural de Pernambuco（伯南布哥州联邦农村大学）；Aix-Marseille Université（艾克斯-马赛大学）；Universidade Federal de Pernambuco（伯南布哥州联邦大学）
关系抽取（RelationExtraction，RE）是一种检测和描述文本中实体之间语义关系的方法，在过去的二十年里得到了广泛的关注，主要应用于生物医学领域。已经发表了许多关于使用监督机器学习技术的关系抽取的论文。这些技术中的大多数依赖于统计方法，例如基于特征和基于树核的方法。这种统计学习技术通常基于用于表示示例的命题假设空间，即，它们采用特征的属性值表示。这种表示有一些缺点，特别是在提取复杂关系时，这些关系需要更多关于所涉及实例的上下文信息，即，它不能有效地从解析树中捕获结构信息而不丢失信息。在这项工作中，我们提出了OntoILPER，一个基于逻辑的关系学习方法，关系抽取，使用归纳逻辑程序设计生成提取模型的形式，符号提取规则。OntoILPER利用了实例的丰富关系表示，这可以减轻上述缺点。建议的关系的方法似乎更适合关系抽取比统计的几个原因，我们认为。此外，OntoILPER使用领域本体，该领域本体指导背景知识生成过程并用于存储提取的关系实例。在生物医学领域的三个蛋白质-蛋白质相互作用数据集上评估了诱导提取规则。OntoILPER提取模型的性能与其他国家的最先进的RE系统进行了比较。令人鼓舞的结果似乎证明了所提出的解决方案的有效性。
2020-01-13 cs.AI cs.CL
Improving Long Tailed Document-Level Relation Extraction via Easy Relation Augmentation and Contrastive Learning
Zhejiang University（浙江大学）；IBM Research（IBM研究院）
面向现实世界的信息抽取场景，关系抽取的研究正在向文档级关系抽取（DocRE）发展。现有的DocRE方法旨在通过新的模型架构对长上下文中的各种信息源进行编码来提取关系。然而，DocRE固有的长尾分布问题被以前的工作所忽视。我们认为，减轻长尾分布问题是至关重要的DocRE在现实世界中的场景。受长尾分布问题的启发，我们提出了一种简单的关系增强（ERA）方法，通过增强尾部关系的性能来改进DocRE。此外，我们进一步提出了一个新的对比学习框架，即基于我们的ERA，ERACL，它可以进一步提高模型在尾关系上的性能，并实现与最先进的DocRE相比具有竞争力的整体性能。
2022-05-21 cs.AI cs.CL
Open Information Extraction
Ryerson University（瑞尔森大学）
开放式信息抽取（Open IE）系统旨在通过识别任意句子中的各种关系短语及其论元来获得具有高度可扩展性的关系元组。第一代Open IE学习基于非词汇化特征的线性链模型，如词性（POS）或浅标签，以标记潜在参数对之间的中间词，以识别可提取的关系。Open IE目前是第二代开发的，能够提取最常见的关系类型的实例，如动词，名词和Prep，动词和Prep，以及具有深度语言分析的不定式。它们揭示了动词在语言学中表达关系的简单而有原则的方式，例如基于动词短语的提取或基于子句的提取。他们获得了显着更高的性能比以前的系统在第一代。在本文中，我们描述了两代开放IE的概述，包括优点，缺点和应用领域。
2016-07-10 cs.AI cs.CL
Joint Extraction of Entity and Relation with Information Redundancy Elimination
针对实体抽取和关系抽取模型中存在的冗余信息和重叠关系问题，提出了一种联合抽取模型。该模型可以直接提取多对相关实体，而不会产生不相关的冗余信息。我们还提出了一个名为Encoder-LSTM的递归神经网络，它增强了递归单元建模句子的能力。具体来说，联合模型包括三个子模块：命名实体识别子模块，由预训练的语言模型和LSTM解码器层组成;实体对提取子模块，使用Encoder-LSTM网络对相关实体对之间的顺序关系进行建模;关系分类子模块，包括注意力机制。我们在公共数据集ADE和CoNLL 04上进行了实验，以评估我们的模型的有效性。实验结果表明，该模型在实体和关系抽取任务中取得了良好的性能，并能大大减少冗余信息量。
2020-11-27 cs.AI cs.CL
FGSI: Distant Supervision for Relation Extraction method based on Fine-Grained Semantic Information
Harbin Normal University（哈尔滨师范大学）
关系抽取的主要目的是抽取句子中带有标签的实体对之间的语义关系，它在句子的语义理解和知识图谱的构建中起着重要的作用。在本文中，我们提出了一个句子中的关键语义信息在实体的关系提取中起着关键作用。我们提出了一个假设，即句子内部的关键语义信息在实体关系抽取中起着关键作用。并基于这一假设，从句子内部根据实体的位置将句子分成三段，通过句内注意力机制寻找句子内部的细粒度语义特征，减少无关噪声信息的干扰。提出的关系抽取模型可以充分利用现有的正语义信息。实验结果表明，与现有方法相比，所提出的关系抽取模型提高了查准率-查全率曲线和P@N值，证明了该模型的有效性。
2023-03-18 cs.AI cs.CL
Improving Distantly Supervised Relation Extraction with Neural Noise Converter and Conditional Optimal Selector
Alibaba Group (U.S.) Inc.（阿里巴巴集团（美国）公司）
距离监督关系抽取已成功应用于具有数千个关系的大型语料库。然而，不可避免的错误标记的问题，由远程监督将损害性能的关系抽取。在本文中，我们提出了一种方法与神经噪声转换器，以减轻噪声数据的影响，和一个条件最优选择器，使正确的预测。我们的噪声转换器在logit水平上学习结构化转移矩阵，并捕获远程监督关系抽取数据集的属性。另一方面，条件最优选择器有助于对实体对做出正确的预测决策，即使句子组被无关系句子淹没。我们在一个广泛使用的数据集上进行了实验，结果表明，与竞争性基线方法相比，该方法有显著的改进。
2018-11-14 cs.AI cs.CL
Joint Event and Temporal Relation Extraction with Shared Representations and Structured Prediction
University of Southern California（南加州大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们提出了一个联合的事件和时间关系抽取模型与共享的表示学习和结构化预测。所提出的方法有两个优点比现有的工作。首先，它通过允许事件和关系模块共享相同的上下文嵌入和神经表示学习器来改进事件表示。其次，它避免了传统的管道系统中的错误传播，利用结构化推理和学习方法来分配事件标签和时间关系标签联合。实验结果表明，该方法在事件抽取和时态关系抽取两个方面均优于现有系统，在两个基准数据集上的端到端F1分别提高了10%和6.8%.
2020-09-15 cs.AI cs.CL
SelfORE: Self-supervised Relational Feature Learning for Open Relation Extraction
Tsinghua University（清华大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Amazon（亚马逊）
开放关系抽取是从自然语言句子中抽取开放域关系事实的任务。现有的作品要么利用语义学或远程监督注释训练监督分类器在预定义的关系，或采用无监督的方法与额外的假设，有较少的歧视的权力。在这项工作中，我们提出了一个名为SelfORE的自监督框架，该框架通过利用大型预训练的语言模型对上下文关系特征进行自适应聚类来利用弱的自监督信号，并通过改进关系分类中的上下文特征来引导自监督信号。在三个数据集上的实验结果表明，与竞争基线相比，SelfORE在开放域关系抽取上的有效性和鲁棒性。
2020-10-06 cs.AI cs.CL
Maximizing Relation Extraction Potential: A Data-Centric Study to Unveil Challenges and Opportunities
Florida Institute for National Security (FINS), University of Florida（佛罗里达大学佛罗里达国家安全研究所（FINS））
本文通过对15种最先进关系抽取算法和7个大规模数据集的实验，揭示现代抽取器在复杂数据与关系特征上的鲁棒性不足问题，强调关键挑战并为未来方向提供参考，以最大化关系抽取潜力。
2024-11-25 cs.AI cs.CL
x.ent: R Package for Entities and Relations Extraction based on Unsupervised Learning and Document Structure
INRA（法国国家农业研究院）；Université Paris-Est（巴黎东大学）；Vietnam National University of Agriculture（越南农业国立大学）
精确的关系抽取仍然是全文数据库处理的一个挑战。我们提出了一种基于共现分析的方法，在每个文档中，我们使用文档组织，以提高关系抽取的准确性。这种方法在一个名为\emph{x.ent}的R包中实现。提取的另一个方面依赖于将提取的关系用于专家终端用户的查询系统。使用了两个数据集。其中一个引起了流行病学专家对植物健康的兴趣。对于这个数据集的使用是专门通过农业信息新闻的植物病害探索。一个开放数据平台利用了从\emph{x.ent}导出的数据，并且是公开可用的。
2015-04-23 cs.AI cs.CL
Siamese Representation Learning for Unsupervised Relation Extraction
Jiangnan University（江南大学）
针对无监督关系抽取中对比学习易产生伪负样本、破坏层次结构的问题，提出仅用正样本对的孪生表示学习框架，在两个基准数据集上取得了更优的抽取效果。
2023-10-01 cs.AI cs.CL
Zero-shot Temporal Relation Extraction with ChatGPT
The University of Manchester（曼彻斯特大学）
本文探究ChatGPT在零样本时序关系抽取中的表现，通过三种提示设计评估发现其与监督方法差距明显且依赖提示，但在小类别上更优，同时揭示了其一致性和长距离推理缺陷。
2023-04-11 cs.AI cs.CL
Towards Time-Aware Distant Supervision for Relation Extraction
Harbin Institute of Technology（哈尔滨工业大学）；Microsoft Research Asia（微软亚洲研究院）
关系抽取的远程监督严重地受到错误标记问题的影响。为了缓解这个问题，在新闻数据的时间戳，我们采取了一个新的因素时间考虑，并提出了一种新的时间感知的远程监督框架（Time-DS）。Time-DS由一个时间序列实例流行度和两个策略组成。实例流行度是对时间和真实关系提及的强相关性进行编码。因此，实例流行度将是一个有效的线索，以减少所产生的噪音，通过远程监督标记。这两种策略，即，硬过滤器和课程学习都是实现实例流行度的方法，以便以Time-DS的方式更好地进行关系抽取。课程学习是一种更加成熟和灵活的方法，利用实例流行度来消除噪声的不良影响，从而获得更好的关系抽取性能。在多源新闻语料库上的实验表明，Time-DS在关系抽取方面取得了显著的进步。
2019-03-08 cs.AI cs.CL
MapRE: An Effective Semantic Mapping Approach for Low-resource Relation Extraction
DeepBlue Technology (Shanghai) Co., Ltd（深兰科技（上海）有限公司）
神经关系抽取模型近年来取得了很好的效果，但是在训练样本较少的情况下，模型的性能急剧下降。最近的工作尝试利用少样本学习的进步来解决低资源问题，其中他们训练标签不可知模型来直接比较嵌入空间中上下文句子之间的语义相似性。然而，标签感知信息，即，包含关系本身的语义知识的关系标签经常被忽略用于预测。在这项工作中，我们提出了一个框架，同时考虑标签不可知和标签感知的语义映射信息低资源关系抽取。我们表明，在预训练和微调中结合上述两种类型的映射信息可以显着提高模型在低资源关系抽取任务中的性能。
2021-09-09 cs.AI cs.CL
RH-Net: Improving Neural Relation Extraction via Reinforcement Learning and Hierarchical Relational Searching
East China Normal University（华东师范大学）
距离监督（Distant Supervision，DS）的目标是生成大规模的启发式标注语料，目前广泛用于神经关系抽取。然而，它严重遭受噪声标记和长尾分布问题。许多先进的方法通常分别解决两个问题，忽略了它们之间的相互作用。在本文中，我们提出了一个新的框架命名为RH-Net，它利用强化学习和层次关系搜索模块，以改善关系抽取。我们利用强化学习来指导模型选择高质量的实例。然后，我们提出了层次关系搜索模块共享语义之间的数据丰富和数据贫乏类的相关实例。在迭代过程中，两个模块保持交互，以同时缓解噪声和长尾问题。在广泛使用的NYT数据集上进行的大量实验清楚地表明，我们的方法在最先进的基线上有显着的改进。
2021-02-02 cs.AI cs.CL
MixRED: A Mix-lingual Relation Extraction Dataset
National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术全国重点实验室）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
本文针对混合语言场景下的关系抽取研究空白，提出了新任务MixRE并构建了人工标注数据集MixRED，同时评估了监督模型与大语言模型的表现，揭示了其优势、局限及性能提升方向。
2024-03-23 cs.AI cs.CL
Revisiting the Negative Data of Distantly Supervised Relation Extraction
Fudan University（复旦大学）
远程监督自动生成大量的训练样本用于关系抽取。然而，它也引发了两个主要问题：噪声标签和不平衡的训练数据。以往的研究多集中在减少错误标记的关系（误报），而很少有人探讨由于知识库的不完整性（误报）而导致的关系缺失。此外，负面标签的数量压倒性地超过了以往的问题配方中的积极的。在本文中，我们首先对负面数据带来的上述挑战进行了深入分析。接下来，我们将关系抽取问题转化为一个正的无标签学习任务，以减轻假阴性问题。第三，我们提出了一个管道的方法，称为\textsc{ReRe}，执行双层次的关系检测，然后主题/对象提取，以实现样本有效的训练。实验结果表明，该方法始终优于现有的方法，并保持良好的性能，即使在大量的假阳性样本学习。
2021-05-21 cs.AI cs.CL
GraphER: A Structure-aware Text-to-Graph Model for Entity and Relation Extraction
FI Group（FI集团）；LIPN, CNRS UMR 7030（法国国家科学研究中心UMR 7030实验室（LIPN））
本文提出GraphER模型，将信息抽取视为图结构学习，通过动态优化图结构实现实体和关系的联合预测，在基准上取得竞争性结果。
2024-04-18 cs.AI cs.CL
Joint Learning-based Causal Relation Extraction from Biomedical Literature
Soochow University（苏州大学）；The Hong Kong Polytechnic University（香港理工大学）
生物医学实体的因果关系抽取是生物医学文本挖掘中最复杂的任务之一，涉及实体关系和实体函数两类信息。一种可行的方法是将关系抽取和函数检测作为两个独立的子任务。然而，这种分离的学习方法忽略了它们之间的内在相关性，并导致性能不令人满意。本文提出了一种联合学习模型，将实体关系抽取和实体功能检测结合起来，利用它们的共性，捕捉它们之间的相互关系，从而提高生物医学因果关系抽取的性能。同时，在模型训练阶段，损失函数中的不同函数类型被分配不同的权重。具体地说，针对负函数实例的惩罚系数增加，有效地提高了函数检测的精度。在BioCreative-V Track 4语料库上的实验结果表明，我们的联合学习模型在BEL语句提取方面优于单独的模型，在第2阶段和第1阶段的测试集上分别获得了58.4%和37.3%的F1分数。这表明，我们的联合学习系统达到了最先进的性能，在第二阶段与其他系统相比。
2022-08-02 cs.AI cs.CL
A Generative Model for Relation Extraction and Classification
IBM Research AI（IBM研究院人工智能部门）
关系抽取是一项重要的信息抽取任务，它为知识库的扩充、问答等自然语言处理应用提供了必要的信息。在本文中，我们提出了一种新的生成模型的关系抽取和分类（我们称之为GREC），RE被建模为一个序列到序列的生成任务。我们探索各种编码表示的源和目标序列，并设计有效的方案，使GREC实现国家的最先进的性能在三个基准RE数据集。此外，我们引入负采样和解码缩放技术，提供了一个灵活的工具来调整模型的精度和召回性能。我们的方法可以扩展到从一个句子中提取所有的关系三元组。虽然一次通过的方法会导致一定的性能损失，但它在计算上更有效。
2022-02-26 cs.AI cs.CL
Entity Structure Within and Throughout: Modeling Mention Dependencies for Document-Level Relation Extraction
Baidu Inc.（百度公司）
实体作为关系抽取任务中的基本元素，具有一定的结构性。在这项工作中，我们制定了这样的结构提到对之间的独特的依赖关系。然后，我们提出了SSAN，它将这些结构的依赖性内的标准自我注意力机制，并在整个编码阶段。具体来说，我们在每个自我注意构建块内设计了两个替代转换模块来产生注意偏差，从而自适应地调整其注意流。我们的实验证明了所提出的实体结构和SSAN的有效性。它显著优于竞争基准，在三个流行的文档级关系抽取数据集上获得了最新的结果。我们进一步提供消融和可视化来展示实体结构如何引导模型以获得更好的关系抽取。我们的代码是公开的。
2021-02-20 cs.AI cs.CL
RE$^2$: Region-Aware Relation Extraction from Visually Rich Documents
Virginia Tech（弗吉尼亚理工大学）；Intuit AI Research（Intuit人工智能研究院）；Adobe Research（奥多比研究院）
针对视觉富文本文档关系抽取中布局结构被忽视的问题，提出RE$^2$方法，利用区域级空间结构和边感知图注意力网络改进关系预测，并引入约束目标正则化模型，实验证明其优越性。
2024-06-04 cs.AI cs.CL
Mention-centered Graph Neural Network for Document-level Relation Extraction
Computer School, Wuhan University（武汉大学计算机学院）；National University of Singapore（新加坡国立大学）
文档级关系抽取旨在发现整个文档中实体之间的关系。如何从文档中的不同句子中建立实体之间的依赖关系仍然是一个巨大的挑战。目前的方法要么利用语法树来构建文档级图，要么从不同的句子中聚合推理信息。在本文中，我们建立跨句子的依赖关系，推断句子间提到的成分关系。采用主动链接策略，在文档级图上通过提及卷积推理中间关系。我们进一步注意到NA实例的泛化问题，这是由不完整的注释和全连接的提及对恶化。提出了一种改进的排序损失算法来解决这个问题。实验表明，不同提及之间的联系对文档级关系抽取至关重要，它使模型能够抽取出更有意义的高层组合关系。
2021-03-15 cs.AI cs.CL
MAQInstruct: Instruction-based Unified Event Relation Extraction
AntGroup（蚂蚁集团）
本文提出MAQInstruct框架，通过将事件关系抽取转化为基于事件-关系指令的事件选择，并结合二分匹配损失，在多个大语言模型上显著提升了事件关系抽取性能。
2025-02-06 cs.AI cs.CL
From syntactic structure to semantic relationship: hypernym extraction from definitions by recurrent neural networks using the part of speech information
Southwest University（西南大学）
上下义关系是语义网络中的重要组成部分。从定义中识别上位词是自然语言处理和语义分析中的一项重要任务。虽然像WordNet这样的公共词典适用于常见单词，但它在特定领域场景中的应用有限。现有的上位词提取工具要么依赖于特定的语义模式，要么专注于词的表示，这都表现出一定的局限性。
2020-12-07 cs.AI cs.CL
MORE: A Metric Learning Based Framework for Open-domain Relation Extraction
Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Zhejiang University City College（浙江大学城市学院）
开放关系抽取（OpenRE）是从开放领域语料库中抽取关系模式的任务。现有的大多数OpenRE方法要么不能充分利用高质量的标注语料，要么不能直接学习语义表示，影响了下游聚类效率。为了解决这些问题，在这项工作中，我们提出了一种新的学习框架命名为MORE（基于度量学习的开放式关系抽取）。该框架利用深度度量学习从标记数据中获取丰富的监督信号，并驱动神经模型直接学习语义关系表示。在两个真实数据集上的实验结果表明，我们的方法优于其他最先进的基线。我们的源代码可以在Github上找到。
2022-06-01 cs.AI cs.CL
A Survey on Open Information Extraction
University of Passau（帕绍大学）；University of Manchester（曼彻斯特大学）
我们提供了一个详细的概述，提出了各种方法，以解决任务的开放信息抽取。我们提出了这些系统面临的主要挑战，显示了随着时间的推移，所建议的方法的演变，并描述了它们所解决的具体问题。此外，我们提供了一个批评的常用评估程序，评估开放IE系统的性能，并强调了一些未来工作的方向。
2018-06-14 cs.CL
A frame semantic overview of NLP-based information extraction for cancer-related EHR notes
School of Biomedical Informatics, The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心生物医学信息学院）；McGovern Medical School, The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦戈文医学院）
目的：在电子健康记录（EHR）笔记中有很多关于癌症的信息，这些信息可以用于生物医学研究，前提是自然语言处理（NLP）方法可以提取和结构化这些信息。在本文中，我们对现有的癌症临床NLP文献进行了范围审查。研究方法：我们确定了描述NLP方法的研究，以从PubMed，Google Scholar，ACL Anthology和现有综述的EHR来源中提取特定的癌症相关信息。本研究中使用了两个排除标准。我们排除了使用的提取技术过于广泛而无法表示为框架以及使用非常低水平提取方法的文章。79篇文章被纳入最终审查。我们根据框架语义原则组织这些信息，以帮助识别重叠的共同领域和潜在的差距。结果如下：根据与癌症信息相关的综述文章创建框架，如癌症诊断、肿瘤描述、癌症手术、乳腺癌诊断、前列腺癌诊断和前列腺癌患者疼痛。这些框架既包括定义，也包括特定的框架元素（即可提取属性）。我们发现，癌症诊断是审查论文中最常见的框架（79篇中的36篇），最近的工作重点是提取与治疗和乳腺癌诊断相关的信息。结论：本文中描述的常见框架列表确定了通过现有NLP技术提取的重要癌症相关信息，并为未来需要从EHR笔记中提取癌症信息的研究人员提供了有用的资源。我们还认为，由于癌症NLP系统的大量重复，注释的癌症框架和相应的NLP工具的通用资源将是有价值的。
2019-04-02 cs.CL q-bio.QM
AIFB-WebScience at SemEval-2022 Task 12: Relation Extraction First -- Using Relation Extraction to Identify Entities
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
本文提出了一种基于转换器的语言模型的端到端联合实体和关系抽取方法。我们将该模型应用于将数学符号与LaTeX文档中的描述联系起来的任务。与现有的方法，执行实体和关系抽取的顺序，我们的系统将信息从关系抽取到实体提取。这意味着系统甚至可以在仅标注了所有有效实体跨度的子集的数据集上进行训练。我们提供了一个广泛的评价拟议的系统及其优点和缺点。我们的方法可以在推理时动态缩放计算复杂性，产生高精度的预测，并在SemEval-2022任务12的排行榜中排名第三。对于物理和数学领域的输入，它分别达到了95.43%和79.17%的高关系抽取宏F1分数。用于训练和评估我们模型的代码可在https://github.com/nicpopovic/RE1st上获得
2022-05-04 cs.AI cs.CL cs.LG
A Question-answering Based Framework for Relation Extraction Validation
Fudan University（复旦大学）；Tencent AI Lab（腾讯AI实验室）
关系抽取是知识获取和文本理解中的一项重要任务。现有的工作主要集中在通过提取有效的特征或设计合理的模型结构来改进关系抽取。然而，很少有工作集中在如何验证和纠正现有的关系抽取模型产生的结果。我们认为，验证是一个重要的和有前途的方向，以进一步提高性能的关系抽取。在本文中，我们探讨了使用问答作为验证的可能性。具体来说，我们提出了一个新的问答为基础的框架，以验证关系抽取模型的结果。我们提出的框架可以很容易地应用到现有的关系分类器，没有任何额外的信息。我们在流行的纽约时报数据集上进行了广泛的实验，以评估所提出的框架，并观察到在五个强基线上的一致改进。
2021-04-07 cs.AI cs.CL cs.LG
Multi-Attribute Relation Extraction (MARE) -- Simplifying the Application of Relation Extraction
FH Aachen, University of Applied Sciences（亚琛应用技术大学）；University of Kassel（卡塞尔大学）
自然语言理解的关系抽取使创新和鼓励新的业务概念成为可能，并促进新的数字化决策过程。当前的方法允许提取具有固定数量的实体作为属性的关系。提取具有任意数量属性的关系需要复杂的系统和昂贵的关系触发器注释来帮助这些系统。我们引入多属性关系抽取（MARE）作为一个无约束的问题制定两种方法，促进了显式的映射从业务用例的数据注释。避免复杂的注释约束简化了关系抽取方法的应用。评估比较我们的模型，目前国家的最先进的事件提取和二进制关系抽取方法。我们的方法相比，这些一般的多属性关系的提取显示出改进。
2021-11-17 cs.AI cs.CL cs.IR
Complex Relation Extraction: Challenges and Opportunities
Fudan University（复旦大学）
关系抽取的目的是识别文本中实体之间的目标关系。关系抽取对于知识库的构建和文本的理解具有重要意义。传统的二值关系抽取包括监督抽取、半监督抽取和远监督抽取，已经得到了广泛的研究并取得了显著的成果。近年来，许多复杂的关系抽取任务，即，提出了简单二元关系抽取的变体，以满足实际中复杂的应用。然而，迄今为止，还没有文献对这些复杂的关系抽取工作进行全面的调查和总结。本文首先介绍了传统的简单二值关系抽取的最新进展。然后，我们总结了现有的复杂关系抽取任务，并提出了定义，最新进展，挑战和机遇，为每一个任务。
2020-12-09 cs.CL
DREaM: Drug-Drug Relation Extraction via Transfer Learning Method
提出DREAM方法，利用迁移学习训练关系抽取模型构建药物关系本体，并用大语言模型验证，有效抽取药物间关系并揭示医学歧义。
2025-10-27 cs.AI cs.CL cs.LG
Learning Relational Dependency Networks for Relation Extraction
Indiana University（印第安纳大学）；Swarthmore College（斯沃斯莫尔学院）；University of Wisconsin – Madison（威斯康星大学麦迪逊分校）
我们考虑KBP槽填充的任务-从新闻专线文档中提取关系信息用于知识库构建。我们提出了我们的管道，它采用关系依赖网络（RDNs）学习语言模式的关系抽取。此外，我们演示了如何几个组件，如弱监督，word 2 vec功能，联合学习和使用人类的意见，可以在这个关系框架。我们评估了基准KBP 2015任务中的不同组件，并表明RDN有效地建模了一组不同的特征，并与当前最先进的关系抽取竞争。
2016-07-01 cs.AI cs.CL cs.LG
A Short Survey of Biomedical Relation Extraction Techniques
Islamic Azad University, Yazd Branch（伊斯兰阿扎德大学亚兹德分校）
近年来，生物医学信息量迅速增长，通过信息抽取系统获取有用的数据越来越受到重视。在当前的研究中，我们集中在生物医学领域的关系抽取技术的不同方面，并简要描述了各种生物元素之间的关系抽取的最新发展。
2017-07-25 cs.CL
Deep Neural Networks for Relation Extraction
Jadavpur University（贾达普大学）；National University of Singapore（新加坡国立大学）；Texas A&M University（德克萨斯A&M大学）
从文本中抽取关系抽取是知识库自动填充的一项重要任务。在这篇论文中，我们首先提出了一个句法聚焦的多因素注意网络模型来发现两个实体之间的关系。接下来，我们提出了两个基于编码器-解码器架构的联合实体和关系抽取框架。最后，我们提出了一个层次实体图卷积网络跨文档的关系抽取。
2021-04-05 cs.CL
Weakly-Supervised Questions for Zero-Shot Relation Extraction
University of Alberta（阿尔伯塔大学）
零次关系抽取（Zero-Shot Relationship Extraction，ZRE）是关系抽取的任务，其中训练集和测试集没有共享的关系类型。这个非常具有挑战性的领域是对模型泛化能力的很好测试。以前的ZRE方法将关系抽取重新定义为问答（QA），允许使用预先训练的QA模型。然而，这种方法需要为每个新关系手动创建黄金问题模板。在这里，我们放弃了这些黄金模板，而是学习一个可以为看不见的关系生成问题的模型。我们的技术可以成功地将关系描述转换为相关的问题，然后利用这些问题来生成正确的尾部实体。在尾部实体提取方面，我们在不使用黄金问题模板的情况下，比以前的最先进水平高出16个F1点以上。在RE-QA数据集，其中没有以前的基线关系抽取存在，我们提出的算法来在0.7 F1点的系统，使用黄金问题模板。我们的模型在FewRel和Wikipedia L数据集上的表现也优于最先进的ZRE基线，这表明QA模型不再需要模板问题来匹配专门为ZRE任务定制的模型的性能。我们的实现可以在https://github.com/fyshelab/QA-ZRE上获得。
2023-02-09 cs.AI cs.CL cs.LG
A Hierarchical Entity Graph Convolutional Network for Relation Extraction across Documents
National University of Singapore（新加坡国立大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
用于关系抽取的远程监督数据集主要集中在事务级抽取，并且它们覆盖的关系很少。在这项工作中，我们提出了跨文档的关系抽取，其中的两个实体的关系元组出现在两个不同的文件，通过一个共同的实体链连接。按照这个想法，我们创建了一个两跳关系抽取的数据集，其中每个链只包含两个文档。我们提出的数据集涵盖了更多的关系比公开可用的数据集级别。我们还为此任务提出了一个分层实体图卷积网络（HEGCN）模型，与一些强大的神经基线相比，该模型在我们的两跳关系抽取数据集上将性能提高了1.1\% F1分数。
2021-08-21 cs.CL
Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
实体和关系的联合抽取是信息抽取中的一项重要任务。为了解决这个问题，我们首先提出了一种新的标记方案，可以将联合提取任务转换为标记问题。然后，基于我们的标记方案，我们研究了不同的端到端模型，直接提取实体和它们的关系，而不需要单独识别实体和关系。我们在远程监督方法产生的公共数据集上进行了实验，实验结果表明，基于标记的方法优于大多数现有的流水线和联合学习方法。此外，本文提出的端到端模型在公共数据集上取得了最佳效果。
2017-06-07 cs.AI cs.CL cs.LG
Techniques for Jointly Extracting Entities and Relations: A Survey
TCS Research & Innovation（塔塔咨询服务公司研究与创新中心）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
关系抽取是信息抽取中的一项重要任务，它涉及实体提及之间的语义关系识别。传统上，关系抽取是在实体提取之后以“流水线”方式进行的，因此关系抽取仅关注于确定在一对提取的实体提及之间是否存在任何语义关系。这导致错误从实体提取阶段传播到关系抽取阶段。此外，实体提取进行没有任何知识的关系。因此，观察到联合执行实体和关系抽取对于这两个任务都是有益的。在本文中，我们调查各种技术，共同提取实体和关系。我们根据它们用于联合提取的方法对技术进行分类，即它们是否采用联合推理或联合建模或两者兼而有之。我们进一步描述了联合推理和联合建模的一些代表性技术。我们还描述了两个标准的数据集，评估技术和这些数据集上的联合提取方法的性能。我们提出了一个简单的分析应用一般域联合提取方法的生物医学数据集。本调查是有用的研究人员以及从业人员在该领域的信息抽取，涵盖了广泛的景观联合提取技术。
2021-03-10 cs.CL
Automatic Extraction of Causal Relations from Natural Language Texts: A Comprehensive Survey
University of Waterloo（滑铁卢大学）
从自然语言文本中自动提取因果关系是人工智能领域的一个具有挑战性的开放性问题。大多数早期的解决方案都是在小型和特定领域的数据集上手动构建语言和句法规则。然而，随着大数据的出现，可负担得起的计算能力的可用性以及最近机器学习的普及，解决这个问题的范式已经慢慢改变。机器现在被期望以领域独立的方式，在最少的监督下从标记数据中学习通用的因果提取规则。在本文中，我们提供了一个全面的调查因果关系抽取技术从这两种范式，并分析其相对的优势和劣势，为今后的工作提出建议。
2016-05-25 cs.AI cs.CL cs.IR
Document-Level Relation Extraction with Relation Correlation Enhancement
Shanghai Jiao Tong University（上海交通大学）
针对文档级关系抽取中关系相关性被忽略的问题，提出一种基于统计共现信息构建关系图、利用重加权方案和图注意力网络聚合关系嵌入的即插即用方法，有效提升了多关系抽取性能。
2023-10-06 cs.AI cs.CL cs.IR
PRGC: Potential Relation and Global Correspondence Based Joint Relational Triple Extraction
Shenzhen University（深圳大学）；Tencent（腾讯）；Zhejiang University（浙江大学）
从非结构化文本中联合抽取实体和关系是信息抽取中的一项重要任务。目前的方法取得了相当大的性能，但仍然受到一些固有的局限性，如冗余的关系预测，基于跨度的提取和效率低下的推广。本文从一个新的角度将该任务分解为关系判断、实体抽取和主客体对齐三个子任务，并提出了一个基于潜在关系和全局对应的联合关系三元组抽取框架（PRGC）。具体来说，我们设计了一个预测潜在关系的组件，将后续的实体抽取限制在预测的关系子集上，而不是所有关系;然后设计了一个特定于关系的序列标记组件来处理主体和客体之间的重叠问题;最后设计了一个全局对应组件，以低复杂度将主体和客体对齐成三元组。大量的实验表明，PRGC实现了最先进的性能与更高的效率，并提供了一致的性能增益重叠三元组的复杂场景上的公共基准。
2021-06-18 cs.CL
Should We Rely on Entity Mentions for Relation Extraction? Debiasing Relation Extraction with Counterfactual Analysis
National University of Singapore（新加坡国立大学）；University of Southern California（南加州大学）；Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
最近的文献集中在利用实体信息的层次关系抽取（RE），但这种风险泄漏表面和虚假的关系线索。因此，RE仍然遭受非预期的实体偏见，即，实体提及（名称）和关系之间的虚假关联。实体偏见会误导RE模型提取文本中不存在的关系。为了解决这个问题，以前的一些工作掩盖了实体提及，以防止RE模型过度拟合实体提及。然而，这种策略降低了RE的性能，因为它失去了实体的语义信息。在本文中，我们提出了CORE（Counterfactual Analysis based关系抽取）去偏置方法，引导RE模型专注于文本上下文的主要影响，而不丢失实体信息。我们首先为RE构建了一个因果图，该图对RE模型中变量之间的依赖关系进行建模。然后，我们建议对我们的因果图进行反事实分析，以提取和减轻实体偏见，从而捕获每个实例中特定实体提及的因果效应。请注意，我们的CORE方法是模型不可知的，可以在推理过程中消除现有RE系统的偏见，而不改变它们的训练过程。大量的实验结果表明，我们的CORE产生显着收益的有效性和推广RE。源代码提供于：https://github.com/vanoracai/CoRE。
2022-05-08 cs.AI cs.CL cs.LG
PERLEX: A Bilingual Persian-English Gold Dataset for Relation Extraction
Iran University of Science and Technology（伊朗科技大学）
关系抽取是抽取句子中实体之间的语义关系的任务。它是一些自然语言处理任务，如信息抽取，知识抽取和知识库人口的重要组成部分。这项研究的主要动机来自缺乏波斯语关系抽取的数据集，以及从波斯语不断增长的大数据中提取知识以用于不同应用的必要性。在本文中，我们提出“PERLEX”作为关系抽取的第一个波斯语数据集，它是“Semeval-2010-Task-8”数据集的专家翻译版本。此外，本文讨论了波斯语关系抽取利用国家的最先进的语言不可知的算法。我们采用了六种不同的模型对建议的双语数据集进行关系抽取，包括一个非神经模型（作为基线），三个神经模型和两个由多语言BERT上下文单词表示提供的深度学习模型。实验结果表明，最大f值为77.66%（由BERTEM-MTB方法提供），是波斯语关系抽取的最新水平。
2020-05-13 cs.CL
Deep Neural Approaches to Relation Triplets Extraction: A Comprehensive Survey
IIT Kharagpur（印度理工学院卡拉格普尔分校）；Singapore University of Technology and Design（新加坡科技设计大学）
近年来，随着词的连续表示（词嵌入）和深层神经网络结构的发展，关系抽取领域的研究成果不断涌现，大量的论文已经难以统计。为了帮助未来的研究，我们提出了一个全面的评论最近发表的研究工作在关系抽取。我们主要关注使用深度神经网络的关系抽取，这些网络在公开可用的数据集上实现了最先进的性能。在本调查中，我们涵盖了文档级关系提取，基于管道的方法联合提取方法，注释数据集，远程监督数据集以及一些最近的研究方向，如zero-shot或Few-Shot关系抽取，远程监督数据集的噪声缓解。关于神经架构，我们在本调查中涵盖了卷积模型，递归网络模型，注意力网络模型和图卷积模型。
2021-03-31 cs.CL
D-REX: Dialogue Relation Extraction with Explanations
University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
现有的跨句关系抽取研究主要是针对长形式多方会话中的跨句关系抽取，而没有考虑这种方法的可解释性。这项工作解决了这一差距，重点是提取解释，表明存在的关系，而只使用部分标记的数据。我们提出了我们的模型不可知的框架，D-REX，一个政策指导的半监督算法，解释和排名的关系。我们的框架关系抽取作为一个重新排名的任务，并包括关系和实体特定的解释作为推理过程的中间步骤。我们发现，大约90%的时间，人类注释者更喜欢D-REX的解释，而不是基于BERT的联合关系抽取和解释模型。最后，我们的评价对话关系抽取数据集上显示，我们的方法是简单而有效的，并达到了最先进的F1分数的关系抽取，提高了13.5%，比现有的方法。
2022-10-18 cs.CL
Zero-Shot Relation Extraction via Reading Comprehension
Univ. of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究院）
我们表明，关系抽取可以减少到回答简单的阅读理解问题，通过关联一个或多个自然语言的问题与每个关系插槽。这种简化有几个优点：我们可以（1）通过扩展最近的神经阅读理解技术来学习关系提取模型，（2）通过将关系特定的众包问题与远程监督相结合，为这些模型构建非常大的训练集，甚至（3）通过提取只在测试时指定的新关系类型来进行零样本学习，我们没有标记的训练样本。维基百科上的插槽填充任务的实验表明，该方法可以推广到新的问题，已知的关系类型具有高精度，和zero-shot推广看不见的关系类型是可能的，在较低的精度水平，设置酒吧为今后的工作在这项任务。
2017-06-13 cs.AI cs.CL cs.LG
Analyzing the Influence of Knowledge Graph Information on Relation Extraction
Universität Hamburg, Department of Informatics, Semantic Systems, Germany（汉堡大学信息学院语义系统研究所，德国）；Leuphana Universität Lüneburg, Institute for Information Systems, Artificial Intelligence（吕贝克大学信息学院人工智能研究所）
本研究通过结合知识图谱实体位置信息与图感知神经贝尔曼-福特网络，在多个数据集上验证了该集成方法能显著提升关系抽取性能，尤其在训练样本不平衡时效果更佳，并在监督和零样本场景中均表现稳定。
2025-06-19 cs.AI cs.CL cs.IR
Incorporating Relation Paths in Neural Relation Extraction
Tsinghua University（清华大学）
远程监督关系抽取已被广泛用于从纯文本中发现新颖的关系事实。为了预测一对两个目标实体之间的关系，现有的方法仅仅依赖于那些包含两个实体的直接句子。事实上，也有许多句子只包含其中一个目标实体，这为关系抽取提供了丰富而有用的信息。为了解决这个问题，我们通过中间实体在两个目标实体之间建立推理链，并提出了一个基于路径的神经关系抽取模型来编码直接语句和推理链的关系语义。在真实数据集上的实验结果表明，该模型能够充分利用只包含一个目标实体的句子，并在关系抽取上取得了显著的一致性改进。本文的源代码可以从https：//github.com/thunlp/PathNRE获得。
2017-09-13 cs.CL
Improved Relation Extraction with Feature-Rich Compositional Embedding Models
Harbin Institute of Technology（哈尔滨工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
组合嵌入模型基于语言结构的组成词嵌入来构建语言结构的表示（或嵌入）。我们提出了一个丰富的组合嵌入模型（FCM）的关系抽取，是表达，推广到新的领域，并且易于实现。其关键思想是将两种（非词汇化的）手工制作的功能与学习的词嵌入相结合。该模型能够直接解决传统组合嵌入模型遇到的困难，例如处理任意类型的句子注释和利用全局信息进行组合。我们测试了两个关系抽取任务，并证明我们的模型优于以前的组合模型和传统的功能丰富的模型上ACE 2005关系抽取任务，和SemEval 2010关系分类任务。我们的模型和具有手工制作特征的对数线性分类器的组合给出了最先进的结果。
2015-09-15 cs.AI cs.CL cs.LG
A Survey of Deep Learning Methods for Relation Extraction
Indian Institute of Technology Delhi（印度理工学院德里分校）
关系抽取是信息抽取的一个重要子任务，它有可能采用深度学习（DL）模型，使用远程监督创建大型数据集。在这篇综述中，我们比较了用于该任务的各种深度学习模型的贡献和缺陷，以帮助指导前进的道路。
2017-05-10 cs.CL
FinRED: A Dataset for Relation Extraction in Financial Domain
IIT Kharagpur（印度理工学院克勒格布尔分校）；Goldman Sachs（高盛集团）；LU, Hannover（汉诺威莱布尼茨大学）
针对金融领域缺乏大规模开源关系抽取数据集的问题，本文发布基于金融新闻和财报电话纪要、通过远程监督映射 Wikidata 三元组构建的 FinRED，并建立基准，验证现有模型在金融关系抽取上性能明显下降。
2023-06-06 cs.CL
