本文提出了 OpenKI 模型，通过对 OpenIE 三元组和 Knowledge Bases（KB）的整合来处理 OpenIE 的稀疏性。该模型通过进行实例级别推理来处理未知实体，并借助聚合和关注机制在关系推理中利用其邻域中的信息。实验结果表明，该方法不仅显着提高了现有 OpenIE 提取的准确率，而且还提高了面向半结构化数据的 OpenIE 表现。

Apr, 2019

本文介绍了一种新方法 Canonicalization using Embeddings and Side Information（CESI），通过学习 Open Knowledge Bases 的嵌入向量，对其中的重复和模糊事实进行规范化，在多个真实数据集上进行的实验表明 CESI 的有效性。

Feb, 2019

通过提出一个新的基准测试，该研究论文旨在解决通过评估协议以考量系统的能力，从而能在更细粒度的三元槽级别上测量事实链接性能，同时测量一个系统是否能识别到表面形式在现有知识图谱中没有匹配项。研究还表明，与准确链接到现有实体相比，检测出现有知识图谱中不存在的实体和谓词更加困难，因此需要更多的研究努力来解决这个难题。

Oct, 2023

利用跨语言的开放信息提取的最新进展，通过多语言代词消解和保留仅有实体链接三组，构建了第一个含有六种语言的全面的开放式知识库 (mOKB6)，并通过基线模型的实验进行分析。

Nov, 2022

我们提出了 COMET，一种生成通用语言的丰富多样的常识知识描述的模型，并在 ATOMIC 和 ConceptNet 这两个通用常识图的自动知识库构建方面取得了优秀的结果。

Jun, 2019

通过对 Wikidata 知识图谱使用 GPT 模型和 prompt engineering 的方法，我们研究了一个叫做 Linked Open Knowledge Extractor (LOKE) 的方法去解决 Open Information Extraction (Open IE) 存在的问题，发现 LOKE-GPT 在 Knowledge Graph Construction (KGC) 任务中比 AllenAI 的 OpenIE 4 实现效果更好。

Nov, 2023

本文介绍了 GenIE 技术，这是第一个可应用于现实场景的 autoregressive formulation 方法，通过生成文本形式的关系和实体，仅生成与预定义知识库模式一致的三元组。实验表明，GenIE 在关闭信息提取方面表现最佳，并且可以推广到相对较少的训练数据点，尺度可以扩展到以前难于管理的实体和关系数量。

Dec, 2021

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

利用指针网络，通过两个注意力机制（槽感知注意力、表位置自注意力），自动生成关于结构化知识库的自然语言描述，并提出基于 KB 重构的评估方法。实验表明，与现有最先进方法相比，该方法的性能显著提高，重构后的 KB 达到了 68.8％-72.6％的 F - 分数。

Sep, 2018

本文研究了支持基于知识的机器翻译（KBMT）的大型本体构建，该本体合并了各种在线词典、语义网络和双语资源，以半自动的方法进行。

Jul, 1994