该研究提出了一种新的 Universal Schema 模型，该模型不再使用显式的实体对表示，而是通过关系类型的注意力机制，将实体对视为关系类型的函数，并在实验结果中展示了该模型的性能可媲美使用显式实体对表示的模型，且几乎在训练时未见过的实体对上表现出几乎相同的准确性。

Apr, 2016

通过使用通用模式和矩阵因式分解模型，同时处理文本和现有结构化数据库中的关系，以实现更精确的关系抽取。

Jan, 2013

提出一种使用神经模型将每个句子模式表示为多重面向嵌入，并鼓励其中一个嵌入与另一个具有相同实体对的句子模式的嵌入接近的多重面向通用模式，用于处理多类型的关系抽取任务，并且可以在没有手动标签的情况下，使用多元嵌入检测两个句子模式之间的蕴含关系。

Mar, 2021

本研究扩展了通用模式至自然语言问答领域，通过 Memory Networks 将文本和知识库中的大量事实相结合，实现了端到端方式的训练和对 SPADES 数据集的填空问答，并获得了比单独使用知识库或文本更好的效果和超越当前最新技术 8.5 个 F1 分数点的成绩。

Apr, 2017

本文提出了一种 Universal Schema 方法，利用各种数据库和文本模式信息对实体和关系进行建模，并使用一种聚合函数来对从未见过的实体或联合实体进行预测，其准确率可以媲美传统模型并且可以预测未见过的实体。

Jun, 2016

本文提出了一种基于多语言训练的实体和关系抽取框架 (mERE)，使用两阶段多语言训练方法和多语言实体、关系抽取联合模型，通过语言通用聚合器 (LA) 和语言特定切换器 (LS) 分别缓解语言干扰并提高关系三元组的抽取效果，实验结果表明该方法优于单语言和多语言基线模型。

Jan, 2023

本文研究实体链接在零样本链接中的应用，介绍了一种灵活的方法来将实体从任意的知识库中转化为平面字符串，与零样本链接模型配合使用，通过两种规则方法的改进，实现了模型的精度提升，实验结果表明我们的模型优于基准模型，并且本文的方法也可以无缝地结合多个训练数据集。

Oct, 2020

本篇文章提出了一种基于 Wikidata 的多语言、平行的问句对数据集，即 Multilingual Compositional Wikidata Questions（MCWQ），用于分析语义解析器在英语、希伯来语、卡纳达语和汉语中的组合泛化能力。结果表明，即使使用最先进的预训练多语言编码器，跨语言组合泛化能力也无法实现，文章的方法、数据集和结果将有助于未来关于具有更现实和多样化背景下语义解析的研究。

Aug, 2021

本研究针对多语言 BERT 的序列到序列建模进行实验，证实其不需要训练就能够实现跨语言的转化，并提出一种无监督的分析方法，证明 Multilingual BERT 可以学习到一定的语言普遍规律。

May, 2020

该研究使用基于关系感知自注意机制的统一框架，解决将自然语言问题转换为 SQL 查询中出现的通用性问题，包括编码数据库关系，建立数据库列和查询的链接，以及特征表示。在 Spider 数据集上，该框架将的精确匹配准确度提高到 57.2％，优于其最好的对手 8.7％的绝对改进，并在 BERT 的支持下，实现了 65.6％的性能，成为了新的最佳表现，同时也在模型对数据库链接和对齐的理解方面得到了定性改善。

Nov, 2019