新流水线框架PiPMRE提升医学关系抽取，无需标注模式
PiPMRE通过语言模型将医学关系抽取转化为生成任务，在两个公开数据集上平均提升 5.6 个召回点、4.4 个准确率点，少样本场景下仍具优势。
一篇发表于arXiv的论文（编号 2609.02896）提出一种基于语言模型的流水线框架PiPMRE（Pipeline based on language model for Medical Relation Extraction），用于从医学文本中联合抽取实体及其关系。论文已收录于《Proceedings of the Annual Meeting of the Cognitive Science Society》Vol. 47 (2025)。
作者Jiaxin Duan、Fengyu Lu、Junfei Liu指出，以往研究将医学关系抽取视为序列标注任务，但医学实体间关系复杂，导致标注方案设计困难，或多重关系抽取失败。PiPMRE将该任务从语言学视角重构为生成任务：首先由关系生成器产出多个关系三元组，随后关系过滤器对每个三元组打分，仅保留达到临界的作为最终结果。
方法与性能
根据论文摘要，PiPMRE不需要标注模式，而是使用简单模板重构输入文本，以保证实体和关系按上下文顺序生成。
在两个公开数据集上的实验结果显示，PiPMRE比之前的最先进方法平均提升 5.6 个召回点和 4.4 个准确率点，并在少样本设置下表现更优。
- 关系生成器生成多个关系三元组。
- 关系过滤器对每个三元组打分并保留高于边界的作为最终结果。
- 实验表明超半数场景占优，但具体数据集和评估细节有待完整论文。