AMiner平台与Relation Extraction的最新进展

SelfORE: Self-supervised Relational Feature Learning for Open Relation Extraction

• 作者：Hu Xuming, Wen Lijie, Xu Yusong, Zhang Chenwei, Yu Philip S
• 简介：提出了一种自监督学习模型SelfORE，专为开放域关系抽取设计。不同于传统的有监督模型，SelfORE不需要预定义知识库或标注实例，能够在开放域场景中工作，当目标关系数量和分布未知时也能有效运行。实验结果表明，模型在三个真实世界数据集上的效果和鲁棒性优于竞争对手。

Joint Constrained Learning for Event-Event Relation Extraction

• 作者：Haoyu Wang, Muhao Chen, Hongming Zhang, Dan Roth
• 简介：提出了一个联合约束学习框架，用于从文档中提取事件复杂。该方法在每个任务中都优于现有的统计学习方法和数据驱动方法，且不需要与两类关系联合注释的数据。实验结果显示，该方法在外部测试集上也有不错的表现，未来计划进一步扩展事件论证约束。

Double Graph Based Reasoning for Document-level Relation Extraction

• 作者：Shuang Zeng, Runxin Xu, Baobao Chang, Lei Li
• 简介：提出了一种双图级的推理网络GAIN，用于更好地处理文档级关系抽取任务。GAIN通过 Mention-level图模型不同文档中的不同提及之间的交互，捕捉文档感知特征；通过 Entity-level图与路径推理机制更好地推理关系。

Global-to-Local Neural Networks for Document-Level Relation Extraction

• 作者：Xiang Gao, Yizhe Zhang, Michel Galley, Chris Brockett, Bill Dolan
• 简介：提出了一个从全局到局部的神经网络GLRE，用于文档级关系抽取。通过R-GCN构建实体的全局表示，结合多头注意力机制构建实体局部表示，实验结果显示该方法在提取长距离实体关系方面具有显著优势。

Two are Better Than One: Joint Entity, Relation Extraction with Table-Sequence Encoders

• 作者：Jue WANG, Wei Lu
• 简介：提出了一种表序列编码器架构用于联合实体和关系抽取。该架构通过表编码器在行、列和层维度上进行上下文化，避免了传统模型中对g函数的计算需求，实验结果表明该方法在提取实体和关系方面具有显著优势。