该研究提出了一种基于逻辑引导的语义表示学习模型，通过知识图谱嵌入和逻辑规则，在已知和未知关系之间建立联系，用于零样本关系分类。实验结果表明，该方法可以推广到未见关系类型，并取得了有希望的提升。

Oct, 2020

当给定少量标记数据时，零样本学习方法可以利用外部信息（例如文本描述）来对输入文本数据进行实体和关系分类。然而，最近的研究表明这些方法对提供的实体（或关系）描述非常敏感，即使描述的微小修改也可能导致决策边界的变化。本文正式定义了识别零样本推断中有效描述的问题，并提出一种生成初始描述变体的策略、对它们进行排序的启发式方法以及一种能够通过描述增强来提升零样本模型预测效果的集成方法。实验结果表明，我们提出的方法在四个不同的实体和关系分类数据集上优于现有方法，并在零样本学习设置下实现了新的最先进结果。所提出解决方案的源代码和评估框架已经开源。

Jun, 2024

本文提出一种零 - shot 关系抽取的方法，通过将实体的描述翻译成问题，并使用生成的问题来生成正确的实体，在不需要使用黄金问题模板的情况下超过了以前的最先进技术。

Jan, 2023

通过使用语言模型生成初始种子实例并结合反馈进行改进，在关系抽取任务中实现零样本学习，取得了较基准方法更好的性能。

Feb, 2024

本文提出了一种基于提示的模型，并使用语义知识扩充的方式识别零 - shot 情况下的未见过的关系。该模型使用原始的实例生成模型和基于外部知识图形的提示来生成增强实例，通过原型网络计算实例之间的距离来预测。实验结果表明，该模型在多个数据集上均优于现有方法。

Dec, 2021

本论文将关系抽取问题转化为回答简单的阅读理解问题，可以利用深度学习中的神经网络技术，使用关系特定的众包问题与遥感监督结合的大规模训练集进行建模，并可以在测试时抽取新的关系类型，实现了零样本学习。通过对维基百科的插槽填充任务的实验表明，该方法可以高精度地推广到已知关系类型的新问题，并保持零样本学习到尚未见过的关系类型，这为未来的工作设定了标杆。

Jun, 2017

本文介绍了 Zero-RTE 任务及其解决方案 —— 使用结构化的提示模板来生成合成关系样本，并使用三元组搜寻解码方法来克服在句子中提取多个关系三元组的限制。实验表明，RelationPrompt 对于 Zero-RTE 任务和零样本关系分类非常有效。

Mar, 2022

本文提出了一种利用触发器捕获能力实现零样本对话关系提取的模型，该模型在使用 DialogRE 数据集进行的实验中取得了显著的改进，为对话关系提取系统的可扩展性和实用性提供了新的方法。

Jun, 2023

本研究针对零样本学习领域，将语义信息与属性相关联，通过使用一组关系来利用属性所张成的空间结构，提出了一种方法，在嵌入空间中保留这些关系的目标函数，从而导致嵌入空间的语义性的提高。通过在五个基准数据集上进行广泛的实验评估，我们证明了欲使嵌入空间语义化对零样本学习有益。该方法在标准零样本设置以及更加现实的广义零样本设置上均优于现有技术，同时演示了该方法如何对于对于某个没有属性信息的图像做出近似的语义推断是有用的。

Mar, 2018

本文提出了一种名为 BERTRL 的解决方案，该方案使用预训练语言模型和 fine-tuning，通过将关系实例及其可能的推理路径作为训练样本，支持归纳学习并在 15 个应用中超越现有技术。

Mar, 2021