本文提出一种新的框架 ZETT，基于预训练语言模型，并采用端到端生成式 Transformer 技术，将三元组抽取任务简化为模板填充任务从而具备了零 - shot 学习能力，并能利用语言模型中的隐含知识，实验表明该方法可以在不进行数据增强和流水线系统的情况下超过之前的最优模型，对实体的检测也更为稳健。

Dec, 2022

介绍了一种新的信息提取工作流程，流程中分析员直接口述感兴趣的实体 / 关系，然后使用文本蕴涵模型进行零 - shot 信息提取，系统使用用户界面实现，并在四个信息提取任务上进行实验，只需每种类型 5-15 分钟的用户工作即可实现零 - shot 学习，并取得了很好的性能表现。

Mar, 2022

本文探讨了零样本跨语言信息抽取的技术，通过结合多种方法，包括数据映射和自我训练，使用英 - 阿 IE 为例，对 8 个目标语言进行实验，证明了该方法的有效性和可行性。

Sep, 2021

本文探讨了零样本信息提取（Zero-shot information extraction）的挑战，通过大型语言模型和基于提示的方法构建具有强大信息提取能力的 ChatIE 框架，成功地实现了多轮问答式的信息提取任务，这为使用有限资源构建信息提取模型提供了研究思路和方法。

Feb, 2023

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

本研究提出了一种新颖的生成元学习框架，旨在提高生成模型的泛化能力，该框架在零样本关系三元组提取任务中达到了新的最先进性能。

May, 2023

本文提出了一种基于计算机视觉中的物体检测算法启发的一种新型单遍 OpenIE 方法，并使用基于二分图匹配的无序损失和基于 Transformer 的编码器体系结构进行序列标记。 该方法更快速并在标准基准测试中表现出优异的性能。我们还在两种语言的零 - shot 设置中对其进行了多语言版本的评估，并在多语言 Re-OIE2016 上展示了性能提高 15％，使两种语言的 F1 值均达到 75％以上。

Jun, 2022

通过将 OpenIE 任务形式巧妙地转换为 T5 模型的预训练任务形式，并引入锚点的创新概念，OK-IE 显著减少了对大量训练数据的需求，消除了模型收敛速度慢的问题，实验结果显示，相较于之前的 SOTA 方法，OK-IE 仅需 1/100 的训练数据量（900 个实例）和 1/120 的训练时间（3 分钟）即可达到可比较的结果。

Oct, 2023

本研究提出了通过 open information extraction （OIE）系统所获取的主客体关系将触发器耦合在不同领域之间从而增强域迁移的性能，并在目标领域上使用 OIE 系统最后结合掩盖语言建模技术来降低负迁移。

May, 2023

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