GLiNER-Relex: Ein einheitliches Framework für die gemeinsame Erkennung benannter Entitäten und Relationsextraktion

GLiNER-Relex: A Unified Framework for Joint Named Entity Recognition and Relation Extraction

May 11, 2026

Autoren: Ihor Stepanov, Oleksandr Lukashov, Mykhailo Shtopko, Vivek Kalyanarangan

cs.AI

Zusammenfassung

Die gemeinsame Named-Entity-Erkennung (NER) und Relationsextraktion (RE) ist eine grundlegende Aufgabe der natürlichen Sprachverarbeitung zur Erstellung von Wissensgraphen aus unstrukturiertem Text. Während neuere Ansätze NER und RE als separate Aufgaben behandeln, die unterschiedliche Modelle erfordern, führen wir GLiNER-Relex ein, eine einheitliche Architektur, die das GLiNER-Framework erweitert, um sowohl Entity-Erkennung als auch Relationsextraktion in einem einzigen Modell durchzuführen. Unser Ansatz nutzt einen gemeinsamen bidirektionalen Transformer-Encoder, um Text, Entity-Typ-Labels und Relation-Typ-Labels gemeinsam zu repräsentieren, was eine Zero-Shot-Extraktion beliebiger Entity- und Relationstypen ermöglicht, die zur Inferenzzeit spezifiziert werden. GLiNER-Relex konstruiert aus erkannten Spans Entity-Paar-Repräsentationen und bewertet diese mithilfe eines dedizierten Relationsbewertungsmoduls gegenüber Relation-Typ-Embeddings. Wir evaluieren unser Modell an vier standardmäßigen Relationsextraktions-Benchmarks: CoNLL04, DocRED, FewRel und CrossRE, und zeigen eine wettbewerbsfähige Leistung im Vergleich zu sowohl spezialisierten Relationsextraktionsmodellen als auch großen Sprachmodellen, während die für die GLiNER-Familie charakteristische Recheneffizienz erhalten bleibt. Das Modell wird als Open-Source-Python-Paket mit einer einfachen Inferenz-API veröffentlicht, die es Benutzern ermöglicht, zur Inferenzzeit beliebige Entity- und Relation-Typ-Labels anzugeben und in einem einzigen Aufruf sowohl Entitäten als auch Relationstripel zu erhalten. Alle Modelle und Codes sind öffentlich verfügbar.

English

Joint named entity recognition (NER) and relation extraction (RE) is a fundamental task in natural language processing for constructing knowledge graphs from unstructured text. While recent approaches treat NER and RE as separate tasks requiring distinct models, we introduce GLiNER-Relex, a unified architecture that extends the GLiNER framework to perform both entity recognition and relation extraction in a single model. Our approach leverages a shared bidirectional transformer encoder to jointly represent text, entity type labels, and relation type labels, enabling zero-shot extraction of arbitrary entity and relation types specified at inference time. GLiNER-Relex constructs entity pair representations from recognized spans and scores them against relation type embeddings using a dedicated relation scoring module. We evaluate our model on four standard relation extraction benchmarks: CoNLL04, DocRED, FewRel, and CrossRE, and demonstrate competitive performance against both specialized relation extraction models and large language models, while maintaining the computational efficiency characteristic of the GLiNER family. The model is released as an open-source Python package with a simple inference API that allows users to specify arbitrary entity and relation type labels at inference time and obtain both entities and relation triplets in a single call. All models and code are publicly available.