GLiNER-Relex: Унифицированная структура для совместного распознавания именованных сущностей и извлечения отношений

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

May 11, 2026

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

cs.AI

Аннотация

Совместное распознавание именованных сущностей (NER) и извлечение отношений (RE) является фундаментальной задачей в обработке естественного языка для построения графов знаний на основе неструктурированного текста. В то время как современные подходы рассматривают NER и RE как отдельные задачи, требующие различных моделей, мы представляем GLiNER-Relex — единую архитектуру, расширяющую фреймворк GLiNER для выполнения как распознавания сущностей, так и извлечения отношений в рамках одной модели. Наш подход использует общий двунаправленный трансформерный энкодер для совместного представления текста, меток типов сущностей и меток типов отношений, что позволяет выполнять извлечение произвольных типов сущностей и отношений, заданных на этапе инференса, в режиме zero-shot. GLiNER-Relex формирует представления пар сущностей на основе распознанных фрагментов и оценивает их по отношению к эмбеддингам типов отношений с помощью специализированного модуля оценки отношений. Мы оцениваем нашу модель на четырех стандартных наборах данных для извлечения отношений: CoNLL04, DocRED, FewRel и CrossRE, и демонстрируем конкурентоспособные результаты по сравнению как со специализированными моделями извлечения отношений, так и с большими языковыми моделями, сохраняя при этом вычислительную эффективность, характерную для семейства GLiNER. Модель выпущена в виде пакета с открытым исходным кодом на Python с простым API для инференса, который позволяет пользователям задавать произвольные метки типов сущностей и отношений на этапе инференса и получать как сущности, так и тройки отношений за один вызов. Все модели и код находятся в открытом доступе.

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.