该研究提出了一种构建微知识图谱的方法，解决了技术支持文档中实体和关系提取的粒度问题，从而提高了信息检索和推理的有效性。

本研究提出了一种新方法，通过自适应映射和概念检索，解决文档级生物医学关系提取中的跨句推理问题，显著提升模型的上下文理解能力。

本研究提出了一种基于生成模型的数据增强方法，旨在解决文档级关系提取中的标签分布不均问题。通过变分自编码器和扩散模型，增强了少见关系的数据，提升了多个基准数据集的性能，验证了方法的有效性。

本研究分析了关系提取领域的最新进展，重点关注生物医学、金融和法律应用。137篇ACL会议论文表明，BERT在关系提取中表现优异，而T5在少样本提取中展现出识别新关系的潜力。

本研究结合图神经网络与大语言模型，克服了传统句子级关系提取模型的局限性，显著提升了各领域的性能，增强了对句子间复杂关系的理解。

本文介绍了如何使用SQLite构建轻量级GraphRAG系统，替代Neo4j进行文档处理和关系提取。通过GPT模型提取实体和关系，并计算中心性指标优化查询。SQLite适合中小型数据集，提供便携的无服务器解决方案。项目包括文档处理、图管理和查询模块，并用D3.js可视化。尽管SQLite缺乏高级图算法，但结合GPT模型能有效处理文档和查询。完整代码在GitHub上可获取。

本文研究了少样本持续关系提取中的知识集成问题，提出了一种通过最大化互信息来保持预训练模型知识的新方法，显著提升了分类性能。实验结果表明该方法在FCRE挑战中表现优异，并指出了未来的研究方向。

本文介绍了多种生物医学关系提取方法，包括KECI框架、BioRED数据集和BELB基准，旨在提高实体链接和关系提取的效率与准确性。研究表明，结合外部知识和自我监督学习可显著提升模型性能，推动生物医学信息提取的发展。

本文探讨了预训练语言模型（PLMs）在自然语言推理、情感分析和关系提取中的应用，提出了多种自动化提示生成方法和知识引导提示，以提高模型性能。研究表明，这些方法在生物医学知识和文本到SQL查询转换等任务中表现优越，推动了知识转移和提示学习的进展。

本文介绍了多种基于大型语言模型的推理方法，如CoT-ER、Verify-and-Edit和ECoT，旨在提升少样本关系提取和多模态推理的性能。这些方法在多个数据集上显著提高了准确度，尤其在情感生成和开放型问题回答任务中表现突出。

本文介绍了$k$最近邻增强的关系提取方法$k$NN-RE，通过最近邻搜索训练关系，解决语言复杂性和数据稀疏性问题，简单而有效。实验证明$k$NN-RE是利用远程监督数据进行关系提取的有效方法，在多个数据集上取得最高性能，优于其他模型。

该研究提出了一种面向多变量时间序列数据的图神经网络框架，通过图学习模块提取变量之间的关系，并利用混合传递和膨胀创新层捕捉时间序列中的相关性。实验结果表明，该模型在基准数据集上优于现有方法，并在提供额外结构信息的交通数据集上表现相当。

本文研究了基础LLM和专门的预训练模型在实体和关系提取方面的应用。实验结果表明，使用先进的LLM模型可以提高从非结构化文本创建知识图谱的准确性，并探索了使用LLM模型自动创建本体论的潜力，取得更相关和准确的知识图谱。

本文讨论了使用GPT-3和Flan-T5等大型语言模型进行关系提取的问题。通过线性化生成目标字符串的方法，进行了序列到序列的任务处理。通过人工评估，在不同程度的监督下评估了它们在标准关系提取任务中的表现。发现GPT-3进行的少量提示与现有完全监督模型相当，而使用Chain-of-Thought风格的解释进一步监督和微调后，该模型产生了最优结果。

本研究使用大型语言模型作为无样本关系抽取器，提出了一种名为SumAsk的简单提示方法。通过实验发现，SumAsk方法能显著提高大型语言模型的性能，在提取重叠关系方面表现良好。然而，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有效。

本文介绍了作者们在NTCIR-17金融报告中的研究成果，利用ELECTRA语言模型的增强技术成功地从表格中提取有价值的数据，并在TDE任务中取得了93.43%的准确率，排名第二。作者们还提出了基于规则的方法来提取文本和表格之间的有意义的关系，并验证了其性能。

该研究利用多模态提取和图像文本对齐，采用创新的预训练目标来提高实体和关系的提取能力。实验结果表明，相对于先前的最佳方法，该方法的F1值提高了3.41％，并且对先前的多模态融合技术是正交的。在先前的最佳方法的基础上，该方法提高了5.47％的F1。

本文研究了使用LLM模型在可持续发展文本中进行实体和关系提取的应用，结果表明使用LLM模型可以提高知识图谱的准确性，并探索了使用基础LLM模型自动创建本体论的潜力。

本文比较了基础LLM(ChatGPT)和专门的预训练模型(REBEL)在联合实体和关系提取中的性能。实验结果表明，使用先进的LLM模型可以提高从非结构化文本创建知识图谱的准确性。同时，还探索了使用基础LLM模型自动创建本体论的潜力，以获得更相关和准确的知识图谱。

本文比较了基础LLM(ChatGPT)和专门的预训练模型(REBEL)在联合实体和关系提取中的性能。实验结果表明，使用先进的LLM模型可以提高从非结构化文本创建知识图谱的准确性。同时，还探索了使用基础LLM模型自动创建本体论的潜力，以获得更相关和准确的知识图谱。