Transformers 出现以来关系抽取任务的系统综述

主要观点总结

本文是一篇关于关系抽取（Relation Extraction, RE）研究的系统性综述，内容涵盖2019年至2024年间的方法论进展、基准资源演化以及语义网技术融合趋势。文章通过自动化框架收集与标注文献，分析了34篇综述论文、64个数据集以及104个模型。文章重点旨在为读者提供关于Transformer对关系抽取任务影响的清晰全貌，为研究者与实践者提供未来研究方向的参考。

关键观点总结

关键观点1: 研究背景与动机

日常生活的数字化产生了大量非结构化信息，关系抽取任务旨在识别文本中实体间的语义关系，将其转化为结构化知识。此任务对自然语言处理（NLP）和信息系统领域至关重要，同时兼具基础研究价值与现实应用必要性。

关键观点2: 研究内容与方法

本文对2019年至2024年间的文本关系抽取研究进行系统综述，特别是Transformer模型的快速崛起带来的影响。通过应用SciLEx框架，从多维度整合研究结果，并公开标注的Zotero文献库和软件SciLEx。

关键观点3: 重要成果与贡献

本文揭示了当前关系抽取研究的发展趋势、主要局限与开放挑战。其贡献包括更新且细致的关系抽取研究综述，突出大规模预训练语言模型的变革性影响；应用SciLEx框架保证研究过程的透明性、可复现性与开放共享性；建立基于三十余个分析维度的精细标注体系并公开发布。