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

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

本文提出了一种新的多原型嵌入网络模型，旨在共同提取关系三元组的组成，即实体对和相应的关系，通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识，从而注入实体和关系之间的隐式相关性，并提出原型感知正则化来学习更具代表性的原型，实验结果表明，该方法可以提高少样本三元组提取的性能。

Oct, 2020

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

本文提出了一种基于 BERT 的多任务学习模型（ZS-BERT），通过零样本关系抽取解决新出现关系的抽取问题，实验结果表明该方法相比于现有的方法在 F1 分数上至少提高了 13.54%。

Apr, 2021

在本研究中，我们测试了不同规模的大型语言模型在零次和少次侦查设置下的三元组提取（Triplet Extraction）能力。我们提出了一种通过从知识库（Knowledge Base）动态收集上下文信息（以上下文三元组和（句子，三元组）对的形式呈现为示例），并通过提示将其提供给语言模型的管道。附加的上下文信息使得大型语言模型在基于双向长短期记忆（BiLSTM）网络架构的所有旧的完全训练基线上具有竞争力。我们进一步对收集到的知识库上下文质量进行了详细分析，发现它与模型的最终三元组提取性能密切相关。相比之下，模型的规模似乎只会对大型语言模型的三元组提取能力带来对数级的改进。

Dec, 2023

本文提出了一种使用 hard negatives 和强健的训练程序增强检索生成模型而进行零样本槽填充的新方法，该方法在 T-REx 和 zsRE 槽填充数据集上都有较大的改进，并在 KILT 排行榜上排名首位。此外，通过零 / 少样本学习的组合，我们在 TACRED 数据集的新变体上演示了我们系统的适应能力，并发布了源代码和预训练模型。

Aug, 2021

本研究介绍了一种名为 PCRED 的零样本关系三元组抽取方法，采用候选关系选择和实体边界检测的方法，不依赖于额外的数据且表现优异，最终实验结果表明 PCRED 方法始终优于以往研究。

Nov, 2022

本文提出了一种 Multi-Choice 匹配网络来统一少样本关系抽取，使用三元组改写元训练来填补零样本和少样本之间的差距，实验结果表明所提出的方法在三种不同的少样本关系抽取任务上表现优异，是少样本关系抽取领域中表现最好的模型。

Mar, 2022