GLiNER-Relex: Een Verenigd Raamwerk voor Gezamenlijke Herkenning van Benoemde Entiteiten en Relatie-Extractie

Samenvatting

Gezamenlijke named entity recognition (NER) en relatie-extractie (RE) is een fundamentele taak in natuurlijke taalverwerking voor het construeren van kennisgrafen uit ongestructureerde tekst. Hoewel recente benaderingen NER en RE behandelen als afzonderlijke taken die eigen modellen vereisen, introduceren wij GLiNER-Relex, een uniforme architectuur die het GLiNER-framework uitbreidt om zowel entiteitherkenning als relatie-extractie in één model uit te voeren. Onze aanpak maakt gebruik van een gedeelde bidirectionele transformer-encoder om tekst, entiteitstypelabels en relatietypelabels gezamenlijk te representeren, wat zero-shot extractie mogelijk maakt van willekeurige entiteits- en relatietypes die tijdens inferentie worden gespecificeerd. GLiNER-Relex construeert entiteitspaarrepresentaties uit herkende spans en scoort ze tegen relatietype-embeddings met behulp van een speciale relatiescoringmodule. We evalueren ons model op vier standaard benchmarks voor relatie-extractie: CoNLL04, DocRED, FewRel en CrossRE, en tonen concurrerende prestaties aan in vergelijking met zowel gespecialiseerde relatie-extractiemodellen als grote taalmodellen, terwijl de computationele efficiëntie die kenmerkend is voor de GLiNER-familie behouden blijft. Het model wordt uitgebracht als een open-source Python-pakket met een eenvoudige inferentie-API waarmee gebruikers tijdens inferentie willekeurige entiteits- en relatietypelabels kunnen specificeren en in één aanroep zowel entiteiten als relatietripletten kunnen verkrijgen. Alle modellen en code zijn openbaar beschikbaar.

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.