本研究提出通过基于转换的框架实现文档级事件和关系提取自动化错误分析，进而比较两种最先进的模板填充方法在三个领域的数据集上的表现，并对信息提取领域自其 30 年前创始以来的发展进行了评估。

Sep, 2022

本文探讨在缺乏预定义模板情况下，如何从零或最少的监督中从文档中归纳模板，以及如何使用自动问答生成来实现这个目标，结合少量人工监督提高模型的性能。实验结果表明，这种 InteractiveIE 方法在对昂贵的生物医药和法律文件进行信息提取时能够带来良好的性能提升。

May, 2023

这篇综述研究对最近的文档级信息抽取文献进行了系统回顾，通过与当前最先进的算法进行彻底的错误分析，确定它们的局限性以及文档级信息抽取任务的剩余挑战，包括标签误差、实体关联解析和缺乏推理，严重影响文档级信息抽取的性能。本综述的目标是为 NLP 研究人员提供更多见解，帮助进一步提高文档级信息抽取的性能。

Sep, 2023

将探测分类器框架应用于文本级别信息提取，研究表明，通过深度神经网络模型得到的表示可以在一定程度上改进参数检测和标签化，并略微提升事件级别任务，尽管在连贯性和事件类型预测方面会有一些权衡，同时在处理文件长度和跨句子语篇方面仍存在一定的困难。

Oct, 2023

本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

Apr, 2021

本文研究了文档级事件抽取中跨句子事件命名的问题，并提出了一种多粒度阅读器，用于动态汇集不同粒度的神经表示学习的信息。通过在 MUC-4 数据集上进行实验，表明本文提出的最佳系统的表现显著优于先前工作，并对上下文长度和神经模型性能之间的关系进行了分析。

May, 2020

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

本文研究信息提取的问题，探讨了文档信息提取问题、数据集、基准测试等方面，提出了机器学习中的关键信息定位、提取和条目识别问题，并批评了目前缺乏半结构化商务文档的相关数据集和基准测试。

Jun, 2022

本综述介绍了从文本中检测事件的方法，探讨了任务定义、评估方法、基准数据集和方法学的分类，并展望了事件检测的未来研究方向。

Oct, 2022

本文提出了通过将文档信息抽取 (IE) 作为序列生成任务的方式，将现有的基于流水线的 IE 系统转变为端到端系统的尝试，着重解决了大规模实际部署所涉及的实际挑战，并证明了单个端到端 IE 系统仍然能够实现竞争性能。

Apr, 2021