OpenNRE是一个开源的工具包，用于实现神经模型进行关系抽取。它支持训练定制模型从文本中提取结构化关系事实，并提供了各种功能性的关系抽取模块。此外，还有一个在线系统可实时提取事实并与维基数据对齐，适用于各种知识驱动应用。

该研究提出了一种新的关系抽取方法，能够选择重要单词和提取有效句子，有效地提取隐藏关系的信息。

通用信息抽取大型语言模型（GIELLM）能够处理多个信息抽取子任务，包括文本分类、情感分析、命名实体识别、关系抽取和事件抽取。通过互相增强效应（MRE），GIELLM在综合任务中表现出色，实验证明在六个日语混合数据集中取得了最先进的结果。这一突破为信息抽取子任务提供了可能，不再需要专门的微调任务特定模型。

该论文介绍了一种解决低资源场景下关系抽取的方法，通过自监督学习和对比学习进行预训练和微调。实验证明该方法在使用1%数据时，性能提高了10.5％和5.8％。

DWIE是一个多任务数据集，包括命名实体识别、共指解析、关系抽取和实体链接。该数据集提出了一种新的度量标准和基于图神经网络的模型，取得了5.5个F1的提升，具有研究潜力。

SumAsk是一种简单提示方法，使用大型语言模型将关系抽取输入转化为有效的问答格式，能够显著提高大型语言模型的性能。在提取重叠关系方面表现出良好的性能，但不同关系之间性能差异较大。大型语言模型在处理无适用项关系时表现出有效性。

本研究提出了一种名为SumAsk的简单提示方法，使用大型语言模型将关系抽取输入转化为有效的问答格式，能够显著提高大型语言模型的性能。该方法在提取重叠关系方面表现出了良好的性能，但不同的关系之间性能差异较大。大型语言模型在处理无适用项关系时表现出了有效性。

本文研究了低资源情况下关系抽取系统的三种方案，并创建了包含8个数据集的基准。结果表明，数据增强和自我训练可以提高性能，但自我训练并不能始终实现低资源关系抽取的进步。提示的调整有助于低资源RE，但在从跨句子上下文中提取多个关系三元组时仍有改善潜力。

本文研究了低资源情况下的关系抽取系统，创建了8个数据集的基准，并探讨了不同方法和结合的影响。结果表明，数据增强和自我训练可以提高性能，但自我训练并不能始终实现低资源关系抽取的进步。仍有很大改善潜力。