通过非桥实体增强和预测去偏差改进基于图的跨文档关系提取方法

引入 NC-DRE 图表模型的编码器-解码器框架，提高复杂跨句子关系的关系抽取效果。

提出采用迭代推理的文档级关系抽取模型，利用实体对特征信息和预测结果，解决三个常用数据集的关系抽取问题。

基于实体的文档上下文过滤和跨路径实体关系注意力的交叉文档关系提取模型，在 CodRED 数据集上取得至少 10% 的 F1 值提升。

提出 GRACR 模型，通过简化的语义图和实体级图探索长距离跨句子实体对的关系，表现出优秀的性能。

基于预训练语言模型的 E2GRE 框架，利用额外特征帮助文献级关系抽取，在 DocRED 数据集上取得最先进的结果。

提出判别推理框架，显式建模文档中实体对之间的推理路径，优于之前的最优表现。

有效的两级解码器方法解决重叠关系三元组问题，在两个公共数据集上取得优异性能。

基于 Entity-level Relation Matrix 与 U-shaped Network 的模型，在 DocRED，CDR 和 GDA 数据集上实现最优性能。

提出直接集合预测方法，通过 transformers 和非自回归并行解码，提升实体抽取和关系提取任务的效果。

使用 encoder-classifier-reconstructor 模型解决 DocRE 中因图形结构建模不含关系的实体对问题，显著提升性能。