令人惊叹的关系抽取

一份精心整理的、专注于关系抽取的优质资源列表，灵感来源于 awesome-nlp 和 awesome-deep-vision。

贡献: 欢迎随时提交 pull requests。

目录

• 研究趋势与综述
• 论文
  • 监督学习方法
  • 远程监督方法
  • 基于图神经网络的模型
  • 语言模型
    • 来自Transformer的编码器表示
    • 来自Transformer的解码器表示
  • 基于知识图谱的方法
  • 小样本学习方法
• 数据集
• 视频与讲座
• 系统
• 框架

研究趋势与综述

• NLP进展：关系抽取
• 命名实体识别与关系抽取：最新进展（Nasar等，2021年）
• 深度学习在关系抽取中的应用综述（Kumar，2017年）
• 关系抽取综述（Bach和Badaskar，2017年）
• 关系抽取：综述（Pawar等，2017年）
• 实体关系抽取综述（Zhang等，2017年）
• 关系抽取方法回顾：有哪些新进展？（Konstantinova等，2014年）
• GitHub最佳100：关系抽取

论文

监督学习方法

基于CNN的模型

• 用于关系抽取的卷积神经网络 [论文] [代码] [综述]
  • ChunYang Liu, WenBo Sun, WenHan Chao 和 WanXiang Che
  • ADMA 2013
• 基于卷积深度神经网络的关系分类 [论文] [代码] [综述]
  • Daojian Zeng, Kang Liu, Siwei Lai, Guangyou Zhou 和 Jun Zhao
  • COLING 2014
• 关系抽取：来自卷积神经网络的视角 [论文] [代码] [综述]
  • Thien Huu Nguyen 和 Ralph Grishman
  • NAACL 2015
• 使用卷积神经网络进行排序的关系分类 [论文] [代码]
  • Cicero Nogueira dos Santos, Bing Xiang 和 Bowen Zhou
  • ACL 2015
• 基于注意力机制的卷积神经网络用于语义关系抽取 [论文] [代码]
  • Yatian Shen 和 Xuanjing Huang
  • COLING 2016
• 基于多级注意力CNN的关系分类 [论文] [代码]
  • Linlin Wang, Zhu Cao, Gerard de Melo 和 Zhiyuan Liu
  • ACL 2016
• MIT在SemEval-2017任务10中的表现：使用卷积神经网络进行关系抽取 [论文]
  • Ji Young Lee, Franck Dernoncourt 和 Peter Szolovits
  • SemEval 2017

基于RNN的模型

• 基于循环神经网络的关系分类 [论文]
  • Dongxu Zhang 和 Dong Wang
  • arXiv 2015
• 用于关系分类的双向长短期记忆网络 [论文]
  • Shu Zhang, Dequan Zheng, Xinchen Hu 和 Ming Yang
  • PACLIC 2015
• 使用序列和树结构上的LSTM进行端到端关系抽取 [论文]
  • Makoto Miwa 和 Mohit Bansal
  • ACL 2016
• 基于注意力机制的双向长短期记忆网络用于关系分类 [论文] [代码]
  • Peng Zhou, Wei Shi, Jun Tian, Zhenyu Qi, Bingchen Li, Hongwei Hao 和 Bo Xu
  • ACL 2016
• 基于带有注意力机制的层次化循环神经网络的语义关系分类 [论文]
  • Minguang Xiao 和 Cong Liu
  • COLING 2016
• 基于实体感知注意力和潜在实体类型标注的双向LSTM网络进行语义关系分类 [论文] [代码]
  • Joohong Lee, Sangwoo Seo 和 Yong Suk Choi
  • arXiv 2019

基于依存句法的模型

• 通过递归矩阵-向量空间实现语义组合性 [论文] [代码]
  • Richard Socher, Brody Huval, Christopher D. Manning 和 Andrew Y. Ng
  • EMNLP-CoNLL 2012
• 基于因子的组合式嵌入模型 [论文]
  • Mo Yu, Matthw R. Gormley 和 Mark Dredze
  • NIPS关于语义学习的研讨会 2014
• 用于关系分类的基于依存句法的神经网络 [论文]
  • Yang Liu, Furu Wei, Sujian Li, Heng Ji, Ming Zhou 和 Houfeng Wang
  • ACL 2015
• 沿最短依存路径使用长短期记忆网络进行关系分类 [论文] [代码]
  • Xu Yan, Lili Mou, Ge Li, Yunchuan Chen, Hao Peng 和 Zhi Jin
  • EMNLP 2015
• 基于卷积神经网络和简单负采样的语义关系分类 [论文]
  • Kun Xu, Yansong Feng, Songfang Huang 和 Dongyan Zhao
  • EMNLP 2015
• 通过数据增强的深度循环神经网络改进关系分类 [论文]
  • Yan Xu, Ran Jia, Lili Mou, Ge Li, Yunchuan Chen, Yangyang Lu 和 Zhi Jin
  • COLING 2016
• 用于关系分类的双向循环卷积神经网络 [论文]
  • Rui Cai, Xiaodong Zhang 和 Houfeng Wang
  • ACL 2016
• 基于句子内部噪声减少和迁移学习的神经关系抽取 [论文]
  • Tianyi Liu, Xinsong Zhang, Wanhao Zhou 和 Weijia Jia
  • EMNLP 2018

基于GNN的模型

• 匹配空缺：用于关系学习的分布相似性 [论文]
  • Livio Baldini Soares, Nicholas FitzGerald, Jeffrey Ling, Tom Kwiatkowski
  • ACL 2019
• 关系之间的关系：关系抽取问题的新范式 [论文]
  • Zhijing Jin, Yongyi Yang, Xipeng Qiu, Zheng Zhang
  • EMNLP 2020
• GDPNet：为关系抽取优化潜在多视图图 [论文] [代码]
  • Fuzhao Xue, Aixin Sun, Hao Zhang, Eng Siong Chng
  • AAAI 21
• RECON：在图神经网络中利用知识图谱上下文进行关系抽取 [论文] [代码]
  • Anson Bastos, Abhishek Nadgeri, Kuldeep Singh, Isaiah Onando Mulang', Saeedeh Shekarpour, Johannes Hoffart, Manohar Kaul
  • WWW'21

远程监督方法

• 无标注数据的关系抽取远程监督 [论文] [综述]
  • 迈克·明茨、史蒂文·比尔斯、里昂·斯诺和丹·朱拉夫斯基
  • ACL 2009
• 基于知识的弱监督用于重叠关系的信息抽取 [论文] [代码]
  • 拉斐尔·霍夫曼、丛格勒·张、萧凌、卢克·泽特勒莫耶和丹尼尔·S·韦尔德
  • ACL 2011
• 多实例多标签学习用于关系抽取 [论文] [代码]
  • 米哈伊·苏尔迪安、朱莉·蒂布希拉尼、拉梅什·纳拉帕蒂和克里斯托弗·D·曼宁
  • EMNLP-CoNLL 2012
• 基于分段卷积神经网络的关系抽取远程监督 [论文] [综述] [代码]
  • 道建·曾、康刘、宇博·陈和俊赵
  • EMNLP 2015
• 基于多实例多标签卷积神经网络的关系抽取 [论文] [综述] [代码]
  • 蒋晓天、权旺、李鹏、王斌
  • COLING 2016
• 在神经关系抽取中融入关系路径 [论文] [综述]
  • 曾文渊、林彦凯、刘志远和孙茂松
  • EMNLP 2017
• 基于实例选择性注意力的神经关系抽取 [论文] [代码]
  • 林彦凯、沈世奇、刘志远、栾焕波和孙茂松
  • ACL 2017
• 使用卷积循环网络模型学习局部与全局上下文，用于生物医学文本中的关系分类 [论文] [代码] [代码]
  • 德什·拉杰、苏尼尔·库马尔·萨胡和阿希什·阿南
  • CoNLL 2017
• 基于粗细粒度注意力的层次化关系抽取[论文][代码]
  • 韩旭、于鹏飞∗、刘志远、孙茂松、李鹏
  • EMNLP 2018
• RESIDE：利用辅助信息改进远程监督的神经关系抽取 [论文] [代码]
  • 希卡尔·瓦西斯特、里沙布·乔希、赛·苏曼·普拉亚加、奇兰吉布·巴塔查里亚和帕尔塔·塔鲁克达尔
  • EMNLP 2018
• 基于袋内与袋间注意力的远程监督关系抽取 [论文] [代码]
  • 叶志秀、凌振华
  • NAACL 2019

语言模型

基于Transformer的编码器表示

• 利用实体信息丰富预训练语言模型以进行关系分类 [论文]
  • 吴善婵、何一凡
  • arXiv 2019
• LUKE：具有实体感知自注意力的深度上下文化实体表示 [论文] [代码]
  • 山田郁也、浅井明里、新藤弘幸、武田英昭、松本裕司
  • EMNLP 2020
• SpanBERT：通过表示和预测跨度来改进预训练 [论文] [代码]
  • 曼达尔·乔希、陈丹琪、尹汉·刘、丹尼尔·S·韦尔德、卢克·泽特勒莫耶和奥默·列维
  • TACL 2020（计算语言学协会汇刊）
• 使用DG-SpanBERT高效地进行长距离关系抽取 [论文]
  • 陈俊、罗伯特·霍恩多夫、穆罕默德·埃尔霍塞尼、张翔亮

基于Transformer的解码器表示

• 利用预训练语言表示改进关系抽取 [论文] [综述] [代码]
  • 克里斯托夫·阿尔特、马克·许布纳、莱昂哈德·亨尼格
  • AKBC 19

基于知识图谱的方法

• KGPool：用于关系抽取的动态知识图谱上下文选择 [论文] [代码]
  • 阿比舍克·纳德格里、安森·巴斯托斯、库尔迪普·辛格、以赛亚·奥南多·穆兰格、约翰内斯·霍夫特、萨伊德·谢卡普尔和维杰·萨拉斯瓦特
  • ACL 2021（研究成果）

少样本学习方法

• FewRel：一个大规模有监督的少样本关系分类数据集，并提供最先进的评估 [论文] [网站] [代码]
  • 韩旭、朱浩、于鹏飞、王子云、姚元、刘志远和孙茂松
  • EMNLP 2018

杂项

• 通过有效的深度排序联合提取具有类别关联的关系 [论文]
  • 海叶、曹文翰、罗俊臣和李周军
  • ACL 2017
• 基于全局优化的端到端神经关系抽取 [论文]
  • 张美珊、张岳和傅国洪
  • EMNLP 2017
• 面向关系抽取的对抗训练 [论文]
  • 吴毅、大卫·巴曼和斯图尔特·拉塞尔
  • EMNLP 2017
• 一种用于从生物医学文本中联合抽取实体与关系的神经网络模型[论文]
  • 李飞、张美珊、傅国洪和季东红
  • BMC生物信息学 2017
• 使用强化学习和深度学习联合抽取实体与关系 [论文]
  • 冯云天、张洪军、郝文宁和陈刚
  • 计算智能与神经科学杂志 2017
• TDEER：一种高效的翻译解码模式，用于联合抽取实体与关系 [论文] [代码]
  • 李献明、罗晓天、董成浩、杨大川、栾贝迪和何震
  • EMNLP 2021

返回顶部

数据集

• SemEval-2010 任务8 [论文] [下载]
  • 名词对之间语义关系的多分类
• 纽约时报（NYT）语料库 [论文] [下载]
  • 该数据集是通过将Freebase关系与纽约时报语料库进行对齐生成的，其中2005—2006年的句子用作训练语料，2007年的句子用作测试语料。
• FewRel：少样本关系分类数据集 [论文] [官网]
  • 该数据集是一个有监督的少样本关系分类数据集。语料来源于维基百科，标注语料的知识库为Wikidata。
• TACRED：TAC关系抽取数据集 [论文] [官网] [下载]
  • 是一个大规模的关系抽取数据集，基于每年TAC知识库构建（TAC KBP）挑战赛中使用的新闻和网络文本构建而成。
• ACE05： [官网] [下载信息]
  • 该数据集包含来自广播对话、广播新闻、新闻组和博客等多种来源的文本。涉及实体之间的7种关系类型中的6种：设施（FAC）、地缘政治实体（GPE）、地点（LOC）、组织（ORG）、人物（PER）、车辆（VEH）、武器（WEA）。
• SemEval-2018 任务7 [论文] [官网] [下载]
  • 该语料收集自科技论文的摘要和引言，共包含六种语义关系。任务分为三个子任务：子任务1.1和1.2分别针对干净和噪声数据的关系分类；子任务2则是标准的关系抽取。

有关最新研究进展，请参阅nlpprogress.com上的关系抽取页面

返回顶部

视频与讲座

• 斯坦福大学：CS124，丹·朱拉夫斯基
  • （视频）第5周：关系抽取与问题
• 华盛顿大学：CSE517，卢克·泽特莫耶尔
  • （幻灯片）关系抽取1
  • （幻灯片）关系抽取2
• 纽约大学：CSCI-GA.2590，拉尔夫·格里什曼
  • （幻灯片）关系抽取：基于规则的方法
• 密歇根大学：Coursera，德拉戈米尔·R·拉德夫
  • （视频）第48讲：关系抽取
• 弗吉尼亚大学：CS6501-NLP，凯-伟·张
  • （幻灯片）第24讲：关系抽取

返回顶部

系统

• DeepDive
• 斯坦福关系抽取器

返回顶部

框架

• OpenNRE [github] [paper]
  • 是一个开源且可扩展的工具包，提供了一个统一的框架来实现命名实体之间关系抽取（RE）的神经网络模型。 它适用于多种关系抽取场景，包括句子级、袋级、文档级以及少样本关系抽取。该工具包基于 TensorFlow 和 PyTorch 提供了多种功能模块，以保持足够的模块化和可扩展性，从而便于将新模型集成到框架中。
• AREkit [github] [research-applicable-paper]
  • 是一个专注于文档级关系抽取数据准备的开源且可扩展的工具包。 它补充了 OpenNRE 的功能，因为后者在文档级关系抽取方面“尚未得到广泛探索”（见 2.4 节 [paper]）。 其核心功能包括： (1) 支持实体链接（即对象同义性）的文档表示 API，用于准备句子级别的关系上下文； (2) 上下文提取 API； (3) 将句子级关系迁移到文档级等功能。 它提供了与 OpenNRE 类似的神经网络模块，以及BERT模块，两者均可用于情感态度抽取任务。
• DeRE [github] [paper]
  • 是一个用于声明式关系抽取的开源框架，因此允许用户通过 XML 模式声明自己的任务，并使用提供的 API 应用手动实现的模型。 任务声明基于“跨度”及“跨度之间的关系”。对于后者，作者提出了“框架”的概念：每个框架包含 (1) “触发器”（一个跨度）和 (2) n 个槽位，其中每个槽位可以引用“框架”或“跨度”。 该框架对提取框架的窗口大小没有理论限制。 因此，这一概念可以覆盖句子级、文档级以及多文档的关系抽取任务。

返回顶部

许可证

在法律允许的最大范围内，Joohong Lee 已放弃本作品的所有版权及相关权利或邻接权。

Awesome Relation Extraction 快速上手指南

awesome-relation-extraction 并非一个可直接安装的单一软件包或框架，而是一个精选资源列表，汇集了关系抽取（Relation Extraction, RE）领域的论文、数据集、代码库和综述。本指南将帮助你利用该列表快速找到适合的工具并运行示例。

环境准备

由于列表中包含多种基于不同深度学习框架（如 PyTorch, TensorFlow）的实现，建议先准备通用的开发环境。

• 操作系统: Linux (推荐 Ubuntu 18.04+), macOS, 或 Windows (WSL2)
• Python: 3.6 或更高版本 (推荐 3.8+)
• 包管理工具: pip 或 conda
• 硬件要求: 若需复现深度学习模型（如 CNN, RNN, GNN, BERT），建议使用配备 NVIDIA GPU 的环境并安装 CUDA。

前置依赖安装：

# 创建虚拟环境 (推荐)
python -m venv re-env
source re-env/bin/activate  # Windows: re-env\Scripts\activate

# 安装基础科学计算库
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 根据CUDA版本调整
pip install tensorflow
pip install transformers datasets scikit-learn pandas numpy

国内加速提示：建议使用清华或阿里镜像源加速 pip 安装： pip install <package_name> -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

由于这是一个资源列表，你需要从中选择具体的项目（代码库）进行克隆和安装。以下以列表中热门的 OpenNRE (由清华团队开发，支持多种监督及远程监督模型) 为例演示如何从该列表中提取并安装具体工具。

1. 浏览列表选择项目： 在 awesome-relation-extraction 的 Papers 或 Frameworks 部分找到感兴趣的项目链接（例如 Neural Relation Extraction with Selective Attention over Instances 对应的代码库 thunlp/OpenNRE）。

2. 克隆代码库：

   git clone https://github.com/thunlp/OpenNRE.git
   cd OpenNRE
   

3. 安装项目依赖： 大多数项目会在根目录提供 requirements.txt。

   # 使用国内镜像源加速安装
   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   注：如果是纯论文复现代码且无 setup 脚本，请参照该项目 README 中的具体依赖说明。

基本使用

以下以安装好的 OpenNRE 为例，展示如何加载预训练模型并进行最简单的关系抽取预测。其他项目的用法类似，通常遵循“加载数据 -> 初始化模型 -> 训练/预测”的流程。

1. 快速预测示例 (Python)

创建一个 test_re.py 文件，输入句子和实体位置，获取关系分类结果：

import opennre

# 加载预训练模型 (例如：基于 BERT 的模型)
# 模型会自动下载到 ~/.opennre/checkpoint/
model = opennre.get_model('bert_base_uncased')

# 定义输入句子和实体位置
# sentence: 输入文本
# pos1: 第一个实体的起始和结束索引
# pos2: 第二个实体的起始和结束索引
test_sentence = "Mark Zuckerberg is the founder of Facebook."
test_data = {
    'token': ['Mark', 'Zuckerberg', 'is', 'the', 'founder', 'of', 'Facebook', '.'],
    'pos1': [0, 2],  # "Mark Zuckerberg"
    'pos2': [6, 7]   # "Facebook"
}

# 进行预测
result = model.infer(test_data)

print(f"预测关系：{result[0]}")
print(f"置信度：{result[1]}")

2. 运行官方示例脚本

大多数仓库都提供了 example.py 或 train.py。以 OpenNRE 为例，运行内置的 Few-Shot 学习示例：

# 进入 example 目录
cd example

# 运行 Few-Shot 关系抽取示例 (使用 ProtoNet 算法)
python train_fewrel.py \
    --model proto \
    --encoder bert \
    --train_dataset fewrel_train \
    --val_dataset fewrel_val \
    --hidden_size 230 \
    --max_length 80

3. 探索其他资源

回到 awesome-relation-extraction 列表，你可以：

• 查找数据集：访问 Datasets 部分下载 SemEval, TAC-KBP, FewRel 等标准数据集。
• 复现经典论文：在 Supervised Approaches 或 Distant Supervision Approaches 中找到对应论文的 [code] 链接，克隆后按照其特定 README 运行。