运用文本三元组转换模型，将信息提取任务转化为输入文本到输出三元组的翻译过程，通过预训练语言模型的潜在知识对不同任务进行转换，预测输入文本对应的关系性信息可以有效地生成任务特定的输出，并且不需要任何特定的任务训练就可以实现零样本迁移，相比于有训练集的监督学习，具有明显的优势。

Sep, 2021

通过转换为推论任务并且使用预训练的文本推论引擎，我们能够减少标注大量实例所需的成本，实验结果表明，我们的方法在少量示例情况下可达到更好的性能。

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

本文提出了一种使用图神经网络技术，实现从之前未见过的模板中提取出信息的 “零样本” 关系提取模型，并在实验中证明该方法相较于基础模型有 31% 的 F1 值提升。

May, 2020

该研究提出了一种名为 Zshot 的新型零样本学习（ZSL）框架，旨在解决 ZSL 面临的挑战，为研究人员提供一个平台，允许他们在标准基准数据集上比较不同先进的 ZSL 方法，并且还支持工业界提供可用的 API，用于在标准 SpaCy NLP 流程中进行生产。

Jul, 2023

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

本文通过使用预训练推理模型，将事件论元抽取等 NLP 任务转化为文本蕴涵任务，证明了文本蕴涵模型在复杂任务中同样有效，且可以大幅减少人工标注量和依赖于特定领域语料库的限制。使用多份蕴涵数据集来预训练模型是获得优异结果的关键。

May, 2022

本文针对信息提取系统在不同任务之间交互存在困难的问题，提出了一种易于模仿人类学习过程的三阶段联合学习框架，该框架可以使模型更好地学习不同任务之间的知识和提高其泛化能力， 在四项 IE 任务上进行的广泛实验表明了本框架的有效性。

May, 2023

本文提出了 WebIE 数据集，其中包括 1.6M 个句子及其详细注释。基于此数据集，我们评估了基于生成模型的信息提取模型的跨域和跨语言性能，并提出了三种训练策略。我们的实验表明，实体链接方式得到明显提高。

May, 2023