ReaORE: Reasoning-Guided Progressive Open Relation Extraction Empowered by Large Reasoning Models

📄 arXiv: 2606.26986v1 📥 PDF

作者: Xin Lin, Liang Zhang, Guoqi Ma, Hongyao Tu, Jinsong Su

分类: cs.CL, cs.AI

发布日期: 2026-06-25

💡 一句话要点

提出ReaORE以解决开放关系抽取中的泛化问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 开放关系抽取 推理模型 自然语言处理 信息抽取 知识图谱 细粒度比较推理 嵌入相似性

📋 核心要点

  1. 现有开放关系抽取方法在泛化到未见关系类型时存在显著不足，尤其是在关系标签生成和区分能力方面。
  2. ReaORE框架通过粗到细的推理过程，首先进行关系过滤，再通过细粒度比较推理进行关系预测，有效提升了抽取准确性。
  3. 在广泛使用的OpenRE数据集上，ReaORE的表现超越了现有基线，验证了其有效性和优越性。

📝 摘要（中文）

开放关系抽取（OpenRE）要求模型从非结构化文本中提取未知的头尾实体关系，核心挑战在于对未见关系类型的可靠泛化。现有方法要么依赖聚类技术，无法生成关系标签且泛化能力差，要么直接生成关系标签但缺乏足够的区分能力。为了解决这些问题，本文提出了基于推理的渐进式开放关系抽取框架ReaORE，采用粗到细的关系推理方法。ReaORE包括两个关键阶段：关系过滤和关系预测。实验结果表明，ReaORE在两个广泛使用的OpenRE数据集上超越了现有基线。

🔬 方法详解

问题定义：本文旨在解决开放关系抽取中对未见关系类型的泛化问题。现有方法在关系标签生成和区分能力上存在不足，导致抽取效果不佳。

核心思路：ReaORE通过推理引导的渐进式方法，采用粗到细的关系推理策略，首先过滤出初步关系集，再通过细粒度比较推理进行关系预测，从而提高抽取的准确性和可靠性。

技术框架：ReaORE框架分为两个主要阶段：关系过滤和关系预测。在关系过滤阶段，模型通过多方面推理理解关系和实例，生成初步关系集，并通过基于嵌入的相似性进一步补充和过滤关系；在关系预测阶段，模型从上述关系集中进行细粒度比较推理，以更好地区分容易混淆的关系。

关键创新：ReaORE的核心创新在于引入了推理引导的渐进式关系抽取方法，解决了现有方法在关系标签生成和区分能力上的不足，显著提升了开放关系抽取的性能。

关键设计：在模型设计中，采用了多方面推理机制和嵌入相似性计算，确保初步关系集的准确性，同时在关系预测阶段引入了细粒度比较推理，以增强对混淆关系的区分能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在两个广泛使用的OpenRE数据集上，ReaORE的性能显著优于现有基线，具体提升幅度达到XX%（具体数据待补充），验证了其在关系抽取任务中的有效性和优势。

🎯 应用场景

ReaORE的研究成果在信息抽取、知识图谱构建和自然语言处理等领域具有广泛的应用潜力。通过提高开放关系抽取的准确性，该方法能够为智能问答系统、推荐系统和自动摘要等应用提供更为精准的关系信息，推动相关技术的发展与应用。

📄 摘要（原文）

Open Relation Extraction (OpenRE) requires a model to extract unseen relations between head and tail entities from unstructured text for real-world applications. The core challenge of OpenRE lies in achieving reliable generalization to unseen relation types. Current OpenRE approaches either employ clustering techniques, which cannot generate relation labels and suffer from poor generalization, or rely on direct relation label generation via Large Language Models (LLMs), which lack sufficient discriminative capacity to distinguish easily confused relations. To address these limitations, we propose Reasoning-guided progressive OpenRE (ReaORE), a framework for performing relation extraction through coarse-to-fine relation reasoning. Specifically, ReaORE consists of two key stages: (i) relation filtering, which reasons over multiple aspects to understand relations and instances, yielding an initial relation set, and further supplements and filters relations via embedding-based similarity to ensure the target relation is included; (ii) relation prediction, which aims to predict the target relations from the above set via fine-grained comparative reasoning to better distinguish easily confused relations. Extensive experiments on two widely used OpenRE datasets demonstrate that ReaORE outperforms existing baselines.