GLiNER-Relex: Um Framework Unificado para o Reconhecimento Conjunto de Entidades Nomeadas e Extração de Relações

Resumo

O reconhecimento conjunto de entidades nomeadas (NER) e extração de relações (RE) é uma tarefa fundamental no processamento de linguagem natural para a construção de grafos de conhecimento a partir de texto não estruturado. Embora abordagens recentes tratem NER e RE como tarefas separadas que exigem modelos distintos, apresentamos GLiNER-Relex, uma arquitetura unificada que estende a estrutura GLiNER para realizar tanto o reconhecimento de entidades quanto a extração de relações em um único modelo. Nossa abordagem utiliza um codificador transformer bidirecional compartilhado para representar conjuntamente texto, rótulos de tipos de entidade e rótulos de tipos de relação, permitindo a extração zero-shot de tipos arbitrários de entidades e relações especificados no momento da inferência. O GLiNER-Relex constrói representações de pares de entidades a partir de segmentos reconhecidos e as pontua em relação às incorporações de tipos de relações usando um módulo dedicado de pontuação de relações. Avaliamos nosso modelo em quatro conjuntos de referência padrão para extração de relações: CoNLL04, DocRED, FewRel e CrossRE, e demonstramos desempenho competitivo tanto com modelos especializados de extração de relações quanto com modelos de linguagem grandes, mantendo a eficiência computacional característica da família GLiNER. O modelo é disponibilizado como um pacote Python de código aberto com uma API de inferência simples que permite aos usuários especificar tipos arbitrários de entidades e relações no momento da inferência e obter tanto entidades quanto tripletos de relações em uma única chamada. Todos os modelos e código estão publicamente disponíveis.

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.