GLiNER-Relex : Un cadre unifié pour la reconnaissance conjointe d'entités nommées et l'extraction de relations

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

May 11, 2026

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

cs.AI

Résumé

La reconnaissance conjointe d'entités nommées (REN) et l'extraction de relations (ER) constituent une tâche fondamentale du traitement automatique du langage naturel pour la construction de graphes de connaissances à partir de textes non structurés. Alors que les approches récentes traitent la REN et l'ER comme des tâches distinctes nécessitant des modèles séparés, nous présentons GLiNER-Relex, une architecture unifiée qui étend le cadre GLiNER pour effectuer à la fois la reconnaissance d'entités et l'extraction de relations en un seul modèle. Notre approche exploite un encodeur transformer bidirectionnel partagé pour représenter conjointement le texte, les étiquettes de types d'entités et les étiquettes de types de relations, permettant une extraction en zero-shot de types d'entités et de relations arbitraires spécifiés au moment de l'inférence. GLiNER-Relex construit des représentations de paires d'entités à partir des spans reconnus et les évalue par rapport aux plongements de types de relations à l'aide d'un module de notation des relations dédié. Nous évaluons notre modèle sur quatre références standard d'extraction de relations : CoNLL04, DocRED, FewRel et CrossRE, et démontrons des performances compétitives par rapport à la fois aux modèles spécialisés d'extraction de relations et aux grands modèles de langage, tout en conservant l'efficacité computationnelle caractéristique de la famille GLiNER. Le modèle est publié sous forme de package Python open-source avec une API d'inférence simple qui permet aux utilisateurs de spécifier des étiquettes de types d'entités et de relations arbitraires au moment de l'inférence et d'obtenir à la fois les entités et les triplets de relations en un seul appel. Tous les modèles et le code sont disponibles publiquement.

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.