GLiNER-Relex: Un Marco Unificado para el Reconocimiento Conjunto de Entidades Nombradas y la Extracción de Relaciones

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

May 11, 2026

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

cs.AI

Resumen

El reconocimiento conjunto de entidades nombradas (NER) y la extracción de relaciones (RE) es una tarea fundamental en el procesamiento del lenguaje natural para la construcción de grafos de conocimiento a partir de texto no estructurado. Mientras que los enfoques recientes tratan NER y RE como tareas separadas que requieren modelos distintos, presentamos GLiNER-Relex, una arquitectura unificada que extiende el marco GLiNER para realizar tanto el reconocimiento de entidades como la extracción de relaciones en un solo modelo. Nuestro enfoque aprovecha un codificador transformador bidireccional compartido para representar conjuntamente texto, etiquetas de tipo de entidad y etiquetas de tipo de relación, lo que permite la extracción zero-shot de tipos de entidad y relación arbitrarios especificados en tiempo de inferencia. GLiNER-Relex construye representaciones de pares de entidades a partir de los segmentos reconocidos y las evalúa frente a las incrustaciones de tipos de relación mediante un módulo de puntuación de relaciones dedicado. Evaluamos nuestro modelo en cuatro bases de referencia estándar de extracción de relaciones: CoNLL04, DocRED, FewRel y CrossRE, y demostramos un rendimiento competitivo tanto frente a modelos especializados de extracción de relaciones como frente a modelos de lenguaje grandes, manteniendo al mismo tiempo la eficiencia computacional característica de la familia GLiNER. El modelo se publica como un paquete Python de código abierto con una API de inferencia simple que permite a los usuarios especificar etiquetas de tipo de entidad y relación arbitrarias en tiempo de inferencia y obtener tanto entidades como tripletes de relación en una sola llamada. Todos los modelos y el código están disponibles públicamente.

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.