该论文提出了基于指令调整的统一信息提取框架 InstructUIE，它可以统一地建模各种信息提取任务并捕获任务间的依赖关系。在零样本设置下，该方法显著优于现有的大型语言模型和 gpt3.5。

Apr, 2023

该论文介绍了一种新的信息提取任务，名为 Instruction-based IE，旨在要求系统根据特定的指示或指南提取信息。作者从中文维基百科和高质量众包注释实例构造了一个名为 InstructIE 的数据集，并评估了各种基线模型在该数据集上的性能。结果表明，当前的模型表现出有希望的性能，但仍有改进的空间。此外，作者进行了综合案例分析，强调了 Instruction-based IE 任务中固有的挑战。

May, 2023

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

引入了一种为大型语言模型定制的细粒度信息抽取基准数据集，通过评估发现编码器 - 解码器模型在泛化到未见过的信息类型方面表现良好，而 ChatGPT 对于新任务形式具有更大的适应性。结果还表明，性能不仅仅取决于模型规模，还强调了架构、数据多样性和学习技术的重要性。这项工作为在信息提取中更精细、更灵活地利用大型语言模型铺平了道路。

Oct, 2023

本研究探讨了开放世界信息提取的问题，并通过细调整大型语言模型（LLM）以提取出符合自然语言指令的实体属性文件。经实验证明，通过构建 INSTRUCTOPENWIKI 数据集，本研究所提出的 PIVOINE LLM 模型有效地解决了传统封闭世界信息提取方法和其他 LLM 基线的问题，具有良好的推广能力。

May, 2023

本论文探讨了语言模型是否能够支持从复杂表格中进行成本有效的信息提取，并引入了基于架构驱动信息提取的新任务，使用 LLMs 将表格数据转换成遵循人类撰写的架构的结构化记录，并发展了一种 InstrucTE 方法来实现表格抽取，该方法仅需要人工构建的抽取架构，并具备错误恢复策略及高性能，证实了使用更紧凑的抽取模型进行抽取的可行性。

May, 2023

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

使用 ADELIE 模型与高质量对齐数据集 IEInstruct 进行指令调整和直接优化，实现了信息抽取任务的最新性能，并探索了 ADELIE 的通用能力。

May, 2024

本研究提出了一种基于正则化的迁移学习方法，通过指导图解码器进行信息提取（IE）。我们构建了一个指令池，用于各种 IE 任务的数据集，然后提出了一个指导图解码器。通过基于相应指令将各种复杂结构解码为图的方式，我们可以学习和转移与现有数据集共享的常见知识到具有新标签的新数据集中。此外，为了缓解各种 IE 任务中的标签一致性问题，我们引入了一种任务特定的正则化策略，不更新具有 “相反方向” 的两个任务的梯度。我们对包括四个 IE 任务的 12 个数据集进行了大量实验，结果证明了我们提出方法的巨大优势。

Mar, 2024

这篇文章针对开放信息抽取 (OpenIE) 进行了广泛的综述，其中包括最先进的神经网络 OpenIE 模型、它们的设计决策及其优缺点，以及当前解决方案的局限性和 OpenIE 问题本身存在的问题。最后，我们列出了能够扩展其范围和适用性的最新趋势，为 OpenIE 领域的未来研究开辟了有前途的方向。

May, 2022