从规则到大模型：知识图谱信息抽取实体NER与关系RE任务近10年演进发展详解
摘要：
本文回顾了关系抽取与实体抽取领域的经典与新兴模型，清晰地梳理了它们的出现时间与核心创新，并给出在 2025 年不同资源与场景下的最佳实践推荐。文章引用了 BiLSTM‑CRF、BiLSTM‑CNN‑CRF、SpanBERT、LUKE、KnowBERT、CasRel、REBEL、UIE，大模型抽取 等模型的原始论文与权威来源，帮助读者全面、系统地理解信息抽取技术的发展脉络与应用指南。
一、信息抽取技术的发展时间线
| 年份 | 代表模型 | 核心贡献 |
|---|---|---|
| 2016 | BiLSTM‑CRF(Lample et al.) | 将双向 LSTM 与 CRF 解码结合，实现端到端序列标注 |
| 2016 | BiLSTM‑CNN‑CRF(Ma & Hovy) | 引入字符级 CNN 捕捉形态特征，增强未登录词处理 |
| 2019 | KnowBERT(Peters et al.) | 将 WordNet/Wikipedia 知识注入 BERT，提升实体与关系抽取 |
| 2020 | SpanBERT(Joshi et al.) | 用 span‑masking 学习片段边界表示，提升 QA 与关系抽取 （ArXiv 版本） |
| 2020 | LUKE(Yamada et al.) | 实体感知自注意力，词与实体同处编码，刷新多项 SOTA |
| 2020 | CasRel(Wei et al.) | 级联二元标注解决三元组重叠（SEO/EPO）问题 |
| 2021 |