1.Introduction
关系抽取：从给定的非结构化文本中识别实体之间的关系，组成关系三元组(ei, rk, ej)。
2.Related Work
3.Model
REBEL是一种基于BART的seq2seq模型，将关系提取和分类作为生成任务来处理，使用自回归模型输出输入文本中的每个三元组。
输入：使用新数据集进行预训练
输出：把简单的三元组分解为文本序列（使模型能够以三元组的形式输出文本中的关系，同时最小化需要解码的token数量）
预训练模型：BART
loss function：Cross-Entropy
如下图：如果x是输入句子，y是线性化关系后的三元组，REBEL 的任务是对于给定的x生成y。
3.1Triplets linearization
模型的输出为线性化关系后的三元组，如图所示：<triplet>表示一个新的头实体的开始，同一个头实体“This Must Be the Place”对应两个尾实体、两个关系。<subj>表示尾实体的开始，<obj>表示尾实体的结束，关系的开始。
下图是将上图左侧转化成右侧的算法：
3.2 REBEL dataset
Bart/T5：表现良好、需要大量数据进行训练，但关系提取数据集小。
(2018) T-REx ：从 DBpedia 摘要中提取实体和关系，克服了数据集小的问题，但注释的质量存在一些问题（链接较老，抽取的实体有问题，对应的关系也会有问题）。
REBEL数据集：扩展T-REx，使用 Wikipedia2 摘要，即每个 Wikipedia 页面在目录之前的部分，使用 wikiextractor (Attardi, 2015) 提取。 然后，使用 wikimapper3 将文本中存在的实体作为超链接以及日期和值链接到 Wikidata 实体。 由此，提取了维基数据中这些实体之间存在的所有关系。
下图是REBEL数据集和其他数据集的对比
4.Experiments
5.Conclusion
1.一种自回归方法，将关系提取作为一项seq2seq任务
2.把简单的三元组分解为文本序列
3.扩展预训练数据集
4.可用于关系抽取、关系分类
