ReaORE: 대규모 추론 모델 기반의 추론 가이드형 점진적 개방 관계 추출

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

개방 관계 추출(OpenRE)은 실제 응용 분야에서 비정형 텍스트로부터 헤드 및 테일 엔터티 간의 새로운 관계를 추출하는 모델을 필요로 합니다. OpenRE의 핵심적인 과제는 아직 알려지지 않은 관계 유형에 대한 안정적인 일반화 성능을 달성하는 것입니다. 기존의 OpenRE 방법은 클러스터링 기법을 사용하지만, 이는 관계 레이블을 생성하지 못하고 일반화 성능이 좋지 않거나, 대규모 언어 모델(LLM)을 사용하여 직접적으로 관계 레이블을 생성하지만, 쉽게 혼동될 수 있는 관계를 구별하는 데 충분한 판별력을 갖추지 못합니다. 이러한 한계점을 해결하기 위해, 우리는 추론 기반의 점진적인 OpenRE 방법인 ReaORE 프레임워크를 제안합니다. 구체적으로, ReaORE는 다음과 같은 두 가지 핵심 단계로 구성됩니다. (i) 관계 필터링: 여러 측면을 고려하여 관계와 인스턴스를 이해하고 초기 관계 집합을 생성하며, 임베딩 기반 유사성을 통해 추가적인 관계를 보완하고 필터링하여 대상 관계가 포함되도록 합니다. (ii) 관계 예측: 위에서 생성된 집합으로부터 세밀한 비교 추론을 통해 대상 관계를 예측하여, 쉽게 혼동될 수 있는 관계를 더 잘 구별합니다. 두 가지 널리 사용되는 OpenRE 데이터셋에 대한 광범위한 실험 결과는 ReaORE가 기존의 기본 모델보다 우수한 성능을 보임을 입증했습니다.

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.