GLiNER-Relex：联合命名实体识别与关系提取的统一框架
摘要
GLiNER-Relex 是一个用于联合命名实体识别（NER）与关系提取（RE）的统一框架，利用共享的 Transformer 编码器实现零样本能力。该论文展示了模型在标准基准测试中具有竞争力的性能，并将其作为开源 Python 包发布。
查看缓存全文
缓存时间: 2026/05/13 08:11
论文页面 - GLiNER-Relex：联合命名实体识别与关系抽取的统一框架
来源: https://huggingface.co/papers/2605.10108
摘要
一种用于联合命名实体识别和关系抽取的统一模型，它使用共享的 Transformer 编码器来同时识别实体并提取关系，具备零样本（zero-shot）能力。
联合命名实体识别 (https://huggingface.co/papers?q=Joint%20named%20entity%20recognition) (NER) 和关系抽取 (https://huggingface.co/papers?q=relation%20extraction) (RE) 是自然语言处理中的基础性任务，旨在从无结构文本中构建知识图谱。尽管最近的方法通常将 NER 和 RE 视为需要独立模型处理的不同任务，但我们提出了 GLiNER (https://huggingface.co/papers?q=GLiNER)-Relex，这是一种统一架构，扩展了 GLiNER (https://huggingface.co/papers?q=GLiNER) 框架，使得单个模型能够同时执行实体识别和关系抽取 (https://huggingface.co/papers?q=relation%20extraction)。我们的方法利用共享的双向 Transformer 编码器 (https://huggingface.co/papers?q=bidirectional%20transformer%20encoder) 对文本、实体类型标签和关系类型标签进行联合表示，从而能够在推理时指定任意实体和关系类型，实现零样本抽取 (https://huggingface.co/papers?q=zero-shot%20extraction)。GLiNER (https://huggingface.co/papers?q=GLiNER)-Relex 从已识别的文本片段构建实体对表示 (https://huggingface.co/papers?q=entity%20pair%20representations)，并使用专用的关系评分模块 (https://huggingface.co/papers?q=relation%20scoring%20module) 根据关系类型嵌入对其进行评分。我们在四个标准的关系抽取 (https://huggingface.co/papers?q=relation%20extraction) 基准数据集上评估了该模型：CoNLL04 (https://huggingface.co/papers?q=CoNLL04)、DocRED (https://huggingface.co/papers?q=DocRED)、FewRel (https://huggingface.co/papers?q=FewRel) 和 CrossRE (https://huggingface.co/papers?q=CrossRE)。结果表明，该模型在保持 GLiNER (https://huggingface.co/papers?q=GLiNER) 系列特有的计算效率的同时，性能与专用的关系抽取 (https://huggingface.co/papers?q=relation%20extraction) 模型及大型语言模型相比具有竞争力。该模型作为开源 Python 包发布，提供简单的推理 API，允许用户在推理时指定任意的实体和关系类型标签，并通过一次调用同时获取实体和关系三元组。所有模型和代码均已公开。
查看 arXiv 页面 (https://arxiv.org/abs/2605.10108) 查看 PDF (https://arxiv.org/pdf/2605.10108) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.10108)
在您的 Agent 中获取此论文：
hf papers read 2605\.10108
没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用此论文的模型 0
暂无链接到此论文的模型
在模型的 README.md 中引用 arxiv.org/abs/2605.10108 即可从此页面链接该论文。
引用此论文的数据集 0
暂无链接到此论文的数据集
在数据集的 README.md 中引用 arxiv.org/abs/2605.10108 即可从此页面链接该论文。
引用此论文的 Spaces 0
暂无链接到此论文的 Space
在 Space 的 README.md 中引用 arxiv.org/abs/2605.10108 即可从此页面链接该论文。
包含此论文的合集 0
暂无包含此论文的合集
将此论文添加到合集 (https://huggingface.co/new-collection) 即可从此页面链接该论文。
相似文章
DiZiNER: 分歧引导的指令优化通过模拟试点标注实现零样本命名实体识别
DiZiNER 是一个利用多个大语言模型之间的分歧来优化零样本命名实体识别任务指令的框架，在18个基准测试中的14个上取得了最先进的结果，并显著缩小了零样本与监督系统之间的性能差距。
检索、整合与综合：空间-语义接地潜层视觉推理
本文介绍了 RIS，这是一个用于多模态大语言模型的空间-语义接地潜层视觉推理框架，旨在克服信息瓶颈。该框架提出将潜在令牌（tokens）锚定于空间和语义证据之上，在 V* 和 HRBench 等基准测试中展现出性能提升。
@mayhewsw 新论文：我知道现在流行把算力规模扩大10倍，让模型一步步思考并使用工具，但……
作者发布了 Universal NER v2，这是一篇将在 LREC 2026 发表的命名实体识别论文，刻意回避了当代的“规模扩张+工具调用”潮流。
GATHER：面向零样本细胞类型注释的以汇聚为中心的超实体检索
本文介绍了 GATHER，这是一种基于知识图谱的以汇聚为中心的检索方法，用于零样本细胞类型注释。与现有的 KG-RAG 基线方法相比，该方法提高了准确性并降低了大语言模型（LLM）的成本。
GiLT：利用依存图增强Transformer语言模型
论文提出了GiLT（Graph-Infused Layers Transformer Language Model），它通过在token预测过程中增量构建的依存图特征来调整注意力权重，从而改善句法泛化能力，在保持竞争性困惑度的同时超越基线模型。