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

信息抽取（IE）旨在从非结构化或半结构化文档中导出结构化表示。本研究提出了 PyTorch-IE，一种基于深度学习的框架，旨在实现 IE 模型的快速、可重复和可重用的实现。PyTorch-IE 提供了灵活的数据模型，能够通过集成来自各种数据类型（如纯文本或半结构化文本以及图像）的相互依赖的注释层来创建复杂的数据结构。通过提供对 PyTorch-Lightning 用于训练、HuggingFace 数据集用于数据集读取和 Hydra 用于实验配置等广泛使用的库的支持，PyTorch-IE 为信息抽取领域的研究社区提供了重要的支持。

May, 2024

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

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

我们提出了一个称为 MetaIE 的新框架，通过学习提取 “重要信息” 来构建一个小型元模型，使得这个元模型可以有效和高效地适应各种信息提取任务，在少样本适应设置下获得更好的性能。

Mar, 2024

本文研究了利用低资源信息抽取（LRIE）的方法，实现从未标注数据中学习信息抽取任务。我们提出了一种名为 Gradient Imitation Reinforcement Learning（GIRL)）的方法，使用强化学习方法来鼓励伪标签数据模仿有标签数据的梯度下降方向，从而在低资源情况下，提高命名实体识别、关系提取和事件提取任务的性能。

Nov, 2022

本研究提出了一种使用深度学习模型来同时解决信息提取中的四个主要任务（实体提取、关系提取、事件触发识别和参数提取），并使用两个新的特性来捕获这些任务之间的相互依赖关系的方法（称为 FourIE），并且进一步引入了一种新的正则化机制来提高模型的性能。

Mar, 2021

本文介绍了一种基于图推理的信息抽取框架 GraphIE，通过图卷积处理文本单元之间的广泛依赖关系，生成更丰富的表示以提高词级预测的性能，评估表明 GraphIE 明显优于现有的基于序列标注模型。

Oct, 2018

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

基于大型语言模型的指令跟随能力，我们提出了新的范式：按需信息提取，以满足真实用户的个性化需求。通过 InstructIE 基准测试及 ODIE 模型，我们展示了在信息提取领域的显著性能提升。

Oct, 2023