TLAG: An Informative Trigger and Label-Aware Knowledge Guided Model for Dialogue-based Relation Extraction
Peking University（北京大学）
基于对话的关系抽取（DRE）旨在预测对话中所提及的论元对的关系类型。最新的生物增强方法提出了触发预测任务，以促进DRE。然而，这些方法不能充分利用触发信息，甚至会给关系抽取带来噪声。为了解决这些问题，我们提出了TLAG，它充分利用触发器和标签感知的知识来指导关系抽取。首先，我们设计了一个自适应触发融合模块，充分利用触发信息。然后，我们引入标签感知知识，以进一步提高我们的模型的性能。在DialogRE数据集上的实验结果表明，TLAG的性能优于基准模型，详细的分析表明了该方法的有效性。
2023-03-30 cs.CL
RAPS: A Novel Few-Shot Relation Extraction Pipeline with Query-Information Guided Attention and Adaptive Prototype Fusion
University of Science and Technology of China（中国科学技术大学）
Few-Shot关系抽取（FSRE）的目标是通过仅使用少量带注释的实例进行学习来识别不可见的关系。为了更有效地推广到新的关系，本文提出了一种新的管道FSRE任务的基础上查询信息引导的注意力和自适应原型fuSion，即RAPS。具体地说，RAPS首先通过查询信息引导的注意力模块，利用支持实例和查询实例之间丰富的交互信息，以获得更准确的初始原型表示的关系原型。然后，RAPS通过自适应原型融合机制将初始原型与相关信息进行融合，得到训练和预测的集成原型。在基准数据集FewRel 1.0上的实验表明，我们的方法对最先进的方法有显着的改进。
2022-11-08 cs.CL
Two-Stage Prompt Optimization for Few-Shot Relation Extraction: From Reasoning-Guided Search to Gradient-Guided Refinement
University of Arizona（亚利桑那大学）
提出两阶段框架，结合推理和梯度优化自动优化提示，在少样本关系抽取任务中取得最优性能。
2026-06-28 cs.AI cs.CL
DemoSG: Demonstration-enhanced Schema-guided Generation for Low-resource Event Extraction
Beijing University of Posts and Telecommunications（北京邮电大学）
提出DemoSG模型，通过演示学习和模式引导生成，在低资源事件抽取中显著提升性能。
2023-10-16 cs.AI cs.CL cs.IR
From Examples to Rules: Neural Guided Rule Synthesis for Information Extraction
University of Arizona（亚利桑那大学）
虽然用于信息抽取的深度学习方法已经取得了许多成功，但随着需求的变化，它们可能很难扩展或维护。另一方面，基于规则的方法可以更容易地修改。然而，制定规则需要语言学和感兴趣领域的专业知识，这对大多数用户来说是不可行的。在这里，我们试图结合这两个方向的优点，同时减轻他们的缺点。我们适应最近的进展，从相邻领域的程序合成信息抽取，合成规则提供的例子。我们使用基于转换器的架构来指导枚举搜索，并表明这减少了在发现规则之前需要探索的步骤数量。此外，我们表明，在没有在特定域上训练合成算法的情况下，我们合成的规则在专注于关系分类的少样本学习的任务的1次场景上实现了最先进的性能，和竞争力的表现在5杆的情况下。
2022-01-16 cs.CL cs.IR cs.LG
Attention Guided Graph Convolutional Networks for Relation Extraction
Singapore University of Technology and Design（新加坡科技设计大学）
依赖树传递了丰富的结构信息，这些信息被证明对于提取文本中实体之间的关系非常有用。然而，如何有效地利用相关信息，而忽略无关信息的依赖树仍然是一个具有挑战性的研究问题。采用基于规则的硬修剪策略来选择相关部分依赖结构的现有方法可能并不总是产生最佳结果。在这项工作中，我们提出了注意力引导的图卷积网络（AGGCN），一种新的模型，它直接采取全依赖树作为输入。我们的模型可以被理解为一个软修剪的方法，自动学习如何有选择地参加相关的子结构有用的关系抽取任务。在跨句子n元关系抽取和大规模的文档级关系抽取等任务上的广泛结果表明，我们的模型能够更好地利用完整依赖树的结构信息，比以前的方法给出了更好的结果。
2020-09-06 cs.CL cs.LG
OpenTag: Open Attribute Value Extraction from Product Profiles [Deep Learning, Active Learning, Named Entity Recognition]
University of Utah（犹他大学）
缺失属性值的提取是从自由文本输入中找到描述感兴趣属性的值。过去大多数关于提取缺失属性值的相关工作都是在封闭世界假设下进行的，其中可能的值集是预先已知的，或者使用值字典和手工制作的特征。我们如何发现我们以前从未见过的新属性值？我们能在有限的人工注释或监督下做到这一点吗？我们研究这个问题的背景下，产品目录，往往有许多感兴趣的属性缺失值。在这项工作中，我们利用产品配置文件信息，如标题和描述，以发现产品属性的缺失值。我们为这个提取问题开发了一个新的深度标记模型OpenTag，其贡献如下：（1）我们将问题形式化为一个序列标记任务，并提出了一个利用递归神经网络的联合模型（具体来说，双向LSTM）来捕获上下文和语义，以及条件随机场（CRF）来执行标记一致性，（2）提出了一种新的注意力机制，为模型的决策提供可解释的解释;（3）提出了一种新的采样策略，探索主动学习，以减少人工注释的负担。OpenTag不像以前的作品那样使用任何字典或手工制作的功能。在不同领域的真实数据集上进行的大量实验表明，OpenTag与我们的主动学习策略一起从最少150个注释样本中发现新的属性值（注释工作量减少了3.3倍），F值高达83%，优于最先进的模型。
2018-10-06 cs.AI cs.CL cs.IR
QUEACO: Borrowing Treasures from Weakly-labeled Behavior Data for Query Attribute Value Extraction
Amazon.com Inc（亚马逊公司）；Georgia Institute of Technology（佐治亚理工学院）；Hong Kong University of Science and Technology（香港科技大学）
我们研究了查询属性值抽取问题，其目的是从用户查询中识别出具有不同表面形式属性值的命名实体，然后将其转换为形式规范形式。该问题包括两个阶段：{命名实体识别（NER）}和{属性值规范化（AVN）}。然而，现有的工作只关注NER阶段，而忽略了同样重要的AVN。为了弥补这一缺陷，本文提出了一个统一的电子商务搜索查询属性值抽取系统QUEACO，它包括两个阶段。此外，通过利用大规模的弱标记行为数据，我们进一步提高了提取性能与更少的监督成本。具体来说，对于NER阶段，QUEACO采用了一种新颖的教师-学生网络，其中在强标记数据上训练的教师网络生成伪标签来细化弱标记数据以训练学生网络。同时，教师网络可以通过反馈学生在强标签数据上的表现来动态地适应，以最大限度地消除来自弱标签的噪声监督。对于AVN阶段，我们还利用弱标记的查询到属性的行为数据来将来自查询的表面形式属性值规范化为来自产品的规范形式。在一个真实的大规模电子商务数据集上的实验证明了QUEACO的有效性。
2021-09-05 cs.AI cs.CL cs.IR
ZS-BERT: Towards Zero-Shot Relation Extraction with Attribute Representation Learning
National Taiwan University（国立台湾大学）；National Cheng Kung University（国立成功大学）
虽然关系抽取是知识获取和表示中的一项重要任务，并且新生成的关系在现实世界中很常见，但在预测在训练阶段无法观察到的看不见的关系方面所做的努力较少。在本文中，我们制定了zero-shot关系抽取问题，将可见和不可见的关系的文本描述。我们提出了一种新的多任务学习模型，zero-shot BERT（ZH-BERT），直接预测看不见的关系，而无需手工制作的属性标签和多个成对分类。给定由输入句子和它们之间关系的描述组成的训练实例，Escher-BERT学习两个函数，通过联合最小化它们之间的距离和对所看到的关系进行分类，将句子和关系描述投影到嵌入空间中。基于这两个函数生成未见关系和新句子的嵌入，使用最近邻搜索来获得未见关系的预测。在两个著名的数据集上进行的实验表明，EST-BERT可以比现有的方法至少提高13.54%的F1得分。
2021-04-10 cs.CL cs.IR cs.LG
Knowledge-guided Convolutional Networks for Chemical-Disease Relation Extraction
School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）；School of Foreign Languages, Dalian University of Technology（大连理工大学外国语学院）；School of Mathematical Sciences, Dalian University of Technology（大连理工大学数学科学学院）
背景资料：从非结构化文本中自动提取化学-疾病关系对于疾病治疗和药物开发具有重要意义。与此同时，生物医学专家已经建立了许多高度结构化的知识库（KBs），其中包含有关化学品和疾病的先验知识。先验知识为CDR提取提供了强有力的支持。如何充分利用它是值得研究的问题。结果：本文提出了一种新的模型，称为“知识引导卷积网络（KCN）”，利用先验知识的CDR提取。该模型首先从知识库中学习包括实体嵌入和关系嵌入的知识表示。然后，使用实体嵌入来控制上下文特征向具有门控卷积的化学疾病对的传播。在此基础上，通过共享注意池，利用关系嵌入进一步获取加权上下文特征。最后，包含额外知识信息的加权上下文特征用于CDR提取。在BioCreative V CDR数据集上的实验表明，所提出的KCN达到了71.28%的F1分数，这优于大多数最先进的系统。结论：本文提出了一种新的CDR提取模型KCN，以充分利用先验知识。实验结果表明，KCN可以有效地集成先验知识和上下文的性能提高。
2019-12-23 cs.CL
Document-level Relation Extraction with Context Guided Mention Integration and Inter-pair Reasoning
Hunan Normal University（湖南师范大学）；Changsha University of Science & Technology（长沙理工大学）
文档级关系抽取（DRE）的目的是识别两个实体之间的关系。实体可以对应于跨越句子边界的多个提及。以前很少有研究探讨提及整合，这可能是有问题的，因为共指提及并不等同于一个特定的关系。此外，以前的努力主要集中在实体级的推理，而不是捕捉实体对之间的全局交互。在本文中，我们提出了两个新的技术，上下文引导提及集成和对间推理（CGM2IR），以提高DRE。与简单地应用平均池不同，上下文被用来以加权和的方式指导共指提及的整合。此外，对间推理在实体对图上执行迭代算法，以便对关系的相互依赖性进行建模。我们在三个广泛使用的基准数据集上评估了我们的CGM2IR模型，即DocRED，CDR和GDA。实验结果表明，我们的模型优于以前的国家的最先进的模型。
2022-01-13 cs.CL
Guided Distant Supervision for Multilingual Relation Extraction Data: Adapting to a New Language
University of Luxembourg（卢森堡大学）；Aston University（阿斯顿大学）
本文应用引导式远程监督方法构建了最大的德语传记关系抽取数据集，并训练和评估了多种最先进模型，同时通过多语言和跨语言实验探索了对低资源语言的益处。
2024-03-27 cs.CL cs.LG
Mutually Guided Few-shot Learning for Relational Triple Extraction
Tongji University（同济大学）；City University of Hong Kong（香港城市大学）
提出相互引导小样本学习框架MG-FTE，通过实体引导关系分类和关系引导实体抽取，并设计原型级融合模块，在FewRel 1.0和2.0上分别提升F1达12.6和20.5。
2023-06-23 cs.AI cs.CL
Document-level Causal Relation Extraction with Knowledge-guided Binary Question Answering
University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对事件-事件因果关系抽取中缺乏文档级建模和因果幻觉的问题，提出融合事件结构的知识引导二元问答方法，在多数据集上验证了其有效性、泛化性与低不一致性，在MECI上达SOTA。
2024-10-07 cs.CL
Simple and Effective Knowledge-Driven Query Expansion for QA-Based Product Attribute Extraction
Rakuten Institute of Technology（乐天技术研究所）；Rakuten Group Inc.（乐天集团）；Institute of Industrial Science（工业科学研究所）；the University of Tokyo（东京大学）
电子商务网站属性值提取的一个关键问题是如何处理大量不同产品的属性。虽然这个挑战部分地解决了问答（QA）的方法，找到一个给定的查询（属性）的产品数据中的值，它不工作，有效地为罕见的和模糊的查询。因此，我们提出了简单的知识驱动的查询扩展的基础上可能的答案（值）的查询（属性）的基于QA的AVE。我们从训练数据中检索查询（属性）的值以扩展查询。我们用知识丢弃和知识令牌混合两种技巧来训练模型，模拟测试中价值知识的不完全性。在AliExpress数据集的清理版本上的实验结果表明，我们的方法提高了AVE的性能（+6.08宏F1），特别是对于罕见和模糊的属性（分别为+7.82和+6.86宏F1）。
2022-06-28 cs.AI cs.CL
Reflect then Learn: Active Prompting for Information Extraction Guided by Introspective Confusion
NUAA-MMMI（南京航空航天大学- MMMI）
本文提出APIE框架，通过反思困惑度评估，主动选择具有挑战性和信息量的样本，提升信息提取的准确性和鲁棒性。
2026-05-12 cs.AI cs.CL cs.IR
PLAtE: A Large-scale Dataset for List Page Web Extraction
University of Virginia（弗吉尼亚大学）；University of Utah（犹他大学）；Amazon（亚马逊）
针对半结构化网页信息抽取缺乏大规模训练数据集的问题，研究者推出聚焦购物评论页的PLAtE基准数据集，含5万余商品与15万余属性，还适配了三种SOTA模型并对比其性能优劣。
2023-06-15 cs.CL cs.IR cs.LG
Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations
Beijing Advanced Innovation Center for Big Data and Brain Computing, Beihang University（北京航空航天大学大数据与脑机智能高精尖创新中心）；Macquarie University（麦考瑞大学）；National Computer Network Emergency Response Technical Team/Coordination Center of China（国家计算机网络应急技术处理协调中心）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Leeds（利兹大学）
事件抽取是自然语言处理的一项基本任务。发现事件参数（如事件参与者）的角色对于事件提取至关重要。然而，这样做的现实生活中的事件描述是具有挑战性的，因为一个参数的作用往往在不同的情况下变化。虽然多个参数之间的关系和相互作用对于解决参数角色是有用的，但现有方法在很大程度上忽略了这些信息。本文提出了一种更好的方法，通过显式地利用事件参数的关系的事件提取。我们通过精心设计的面向任务的对话系统来实现这一点。为了对参数关系进行建模，我们采用强化学习和增量学习来通过多轮迭代过程提取多个参数。我们的方法利用同一句话中已经提取的参数的知识来确定难以单独决定的参数的作用。然后，它使用新获得的信息来改进先前提取的参数的决策。这种双向反馈过程使我们能够利用论元关系来有效地解决论元角色，从而更好地理解句子和提取事件。实验结果表明，我们的方法始终优于七个国家的最先进的事件提取方法的分类的事件和参数的角色和参数识别。
2021-12-22 cs.CL
Enhancing Contrastive Learning with Noise-Guided Attack: Towards Continual Relation Extraction in the Wild
Fudan University（复旦大学）
本文提出噪声持续关系抽取场景及NaCL框架，通过噪声引导攻击修改特征空间以匹配噪声标签，增强对比表示，在噪声率增加时持续提升性能并优于现有基线。
2023-05-11 cs.CL
Ontology-Guided Multi-Agent Extraction of Evaluation Objects from Academic Review Texts: Evidence from Chinese Library and Information Science
Nanjing University（南京大学）
针对学术评论文本中评价对象抽取效果差的问题，提出本体引导的多智能体框架，在中文图书馆与信息科学数据上取得优于基线的性能，为相关研究评价和情报挖掘提供方法支持。
2026-09-01 cs.CL
Hierarchical Relation-Guided Type-Sentence Alignment for Long-Tail Relation Extraction with Distant Supervision
University of Technology Sydney（悉尼科技大学）
远程监督使用知识图谱中的三重事实来标注语料库以进行关系抽取，导致错误标注和长尾问题。一些作品使用关系的层次结构进行知识转移到长尾关系。然而，粗粒度的关系通常仅意味着属性（例如，域或主题）的远距离事实，使得很难区分关系的基础上，单独的句子语义。一种解决方案是诉诸实体类型，但关于如何充分利用实体类型的信息以及如何将多粒度实体类型与句子对齐的问题仍然存在。在这项工作中，我们提出了一种新的模型来丰富实体类型的远程监督句子。它包括（1）一个成对的类型丰富的句子编码模块注入上下文无关的和相关的背景，以减轻重复级别的错误标记，和（2）一个分层的类型句子对齐模块丰富的句子与三重事实的基本属性，以支持长尾关系。我们的模型在基准测试的整体和长尾性能方面取得了新的最先进的结果。
2021-09-19 cs.CL
Emotion-Cause Pair Extraction as Question Answering
Cinnamon AI（肉桂人工智能公司）；Hung Yen University of Technology and Education（兴安技术教育大学）
情感-原因对抽取（ECPE）的任务是在没有任何情感或原因子句注释的情况下抽取文档中所有潜在的情感-原因对。以前的方法ECPE试图改善传统的两步处理方案，通过使用复杂的架构建模的情绪-原因的相互作用。在本文中，我们将ECPE任务转换为问答（QA）问题，并提出了简单而有效的基于BERT的解决方案来解决它。给定一个文档，我们的Guided-QA模型首先使用一个固定的问题来预测最佳的情感子句。然后，预测的情绪被用作一个问题来预测情绪的最潜在原因。我们评估我们的模型在一个标准的ECPE语料库。实验结果表明，尽管它的简单性，我们的引导QA取得了可喜的成果，很容易重现。并给出了Guided-QA的代码。
2023-01-06 cs.CL
GuideX: Guided Synthetic Data Generation for Zero-Shot Information Extraction
HiTZ Basque Center for Language Technology - Ixa NLP Group（巴斯克语言技术中心HiTZ - Ixa NLP小组）；University of the Basque Country (UPV/EHU)（巴斯克国家大学）；Technical University of Munich (TUM)（慕尼黑技术大学）
本文提出GUIDEX方法，通过自动定义领域模式、推断指南并生成合成标注数据来提升零样本信息抽取的域外泛化能力，在七个零样本命名实体识别基准上取得最优结果，无需人工标注数据即可显著超越先前方法。
2025-05-31 cs.CL
Uncertainty Guided Label Denoising for Document-level Distant Relation Extraction
Nanjing University of Science and Technology（南京理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Northeastern University（东北大学）
本文提出UGDRE框架，通过实例级不确定性估计和针对长尾关系的动态阈值筛选伪标签，有效降低文档级远程关系抽取中的标签噪声，并在RE-DocRED上显著超越强基线。
2023-05-26 cs.AI cs.CL
ReaORE: Reasoning-Guided Progressive Open Relation Extraction Empowered by Large Reasoning Models
National Institute for Data Science in Health and Medicine, Xiamen University（厦门大学健康医疗大数据国家研究院）；School of Informatics, Xiamen University（厦门大学信息学院）
提出ReaORE框架，通过粗到细的关系推理（关系过滤与关系预测）解决开放关系抽取中关系标签生成和易混淆关系区分难题，在数据集上超越现有方法。
2026-06-26 cs.AI cs.CL
Event Guided Denoising for Multilingual Relation Learning
Columbia University（哥伦比亚大学）
通用关系抽取最近取得了相当大的进展，部分原因是Soares et al.（2019）的大规模数据密集型远程监督技术，该技术在许多基准测试中产生了最先进的结果。在这项工作中，我们提出了一种方法，用于收集高质量的训练数据，从未标记的文本中关系抽取，实现了近重建的zero-shot和Few-Shot的结果在一小部分的训练成本。我们的方法利用可预测的分布结构的日期标记的新闻文章，建立一个去噪语料库-提取过程过滤掉低质量的例子。我们表明，在这个语料库上训练的一个较小的多语言编码器在英语和西班牙语的Few-Shot和标准关系基准上执行了与当前最先进水平（当两者都很少或没有微调时）的匹配，尽管使用了更少的示例（50 k与300 mil+）。
2020-12-04 cs.CL
Document-level Clinical Entity and Relation Extraction via Knowledge Base-Guided Generation
Washington University School of Medicine（华盛顿大学医学院）；Washington University in St. Louis（圣路易斯华盛顿大学）
本研究提出结合UMLS知识库与GPT模型的文档级临床实体关系抽取框架，通过筛选相关UMLS概念融入提示引导抽取，实验证明其效果优于少样本基线与标准RAG方法，展现了知识与大模型结合在医疗领域的潜力。
2024-07-13 cs.AI cs.CL
Global Structure Knowledge-Guided Relation Extraction Method for Visually-Rich Document
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；Worcester Polytechnic Institute（伍斯特理工学院）
本文提出GOSE框架，通过“生成-捕获-融入”的迭代循环将全局结构知识融入实体表示，以缓解视觉关系抽取中长距离关系学习和冲突预测问题，并在标准微调、跨语言和低资源场景下均取得优越性能。
2023-10-27 cs.AI cs.CL
MAVE: A Product Dataset for Multi-source Attribute Value Extraction
Google Research（谷歌研究院）；Google（谷歌）
属性值提取是指从产品信息中识别感兴趣的属性值的任务。产品属性值在许多电子商务场景中是必不可少的，例如客户服务机器人，产品排名，检索和推荐。而在现实世界中，产品的属性值往往是不完整的，并随着时间的推移而变化，这极大地阻碍了实际应用。在本文中，我们介绍了MAVE，一个新的数据集，以更好地促进产品属性值提取的研究。MAVE由来自亚马逊页面的220万件产品组成，其中包含1257个独特类别的300万个属性值注释。MAVE有四个主要和独特的优势：首先，MAVE是最大的产品属性值提取数据集的属性值的例子的数量。其次，MAVE包括来自产品的多源表示，它捕获了具有高属性覆盖率的完整产品信息。第三，MAVE表示相对于以前的数据集覆盖的属性和值的更多样化的集合。最后，MAVE提供了一个非常具有挑战性的zero-shot测试集，正如我们在实验中所展示的那样。我们进一步提出了一种新的方法，有效地提取多源产品信息的属性值。我们进行了广泛的实验与几个基线，并表明MAVE是一个有效的数据集属性值提取任务。zero-shot属性提取也是一个非常具有挑战性的课题。数据可在{ \it \url{https://github.com/google-research-datasets/MAVE} }获取。
2021-12-16 cs.CL cs.IR
Exploring Generative Models for Joint Attribute Value Extraction from Product Titles
IIT Kharagpur（印度理工学院克勒格布尔分校）；TCS Research（塔塔咨询服务研究院）
产品的属性值是任何电子商务平台的重要组成部分。属性值提取（AVE）处理从产品的标题或描述中提取产品的属性及其值。在本文中，我们建议使用生成框架来解决AVE任务。我们提出了两种类型的生成范式，即，基于词序列和基于位置序列，通过制定AVE任务作为一个生成问题。我们在两个数据集上进行实验，其中生成方法实现了新的最先进的结果。这表明，我们可以使用所提出的框架AVE任务，而无需额外的标记或特定于任务的模型设计。
2022-08-15 cs.CL cs.IR
Evaluating Structured Output Robustness of Small Language Models for Open Attribute-Value Extraction from Clinical Notes
Saint Mary’s University（圣玛丽大学）；York University（约克大学）
本研究比较了小型语言模型在临床笔记属性-值抽取中生成JSON、YAML和XML输出的可解析性，发现JSON最优，并提出了格式选择与提示设计的实用建议。
2025-07-02 cs.CL cs.IR
Multilingual Attribute Extraction from News Web Pages
ISP RAS（俄罗斯科学院信息学与自动化研究所）；MSU（莫斯科国立大学）
本文构建了一个六语言新闻网页属性提取数据集，通过微调MarkupLM和DOM-LM两种预训练模型，实现了优于现有开源工具的多语言新闻属性自动提取效果。
2025-02-04 cs.CL cs.IR
AdaTag: Multi-Attribute Value Extraction from Product Profiles with Adaptive Decoding
University of Southern California（南加州大学）；University of Oklahoma（俄克拉荷马大学）
产品属性值的自动提取是电子商务平台中一项重要的使能技术。这个任务通常使用序列标记架构建模，并有几个扩展来处理多属性提取。之前的一系列工作通过单独的解码器或完全单独的模型构建了特定于属性的模型。然而，这种方法限制了不同属性之间的知识共享。其他贡献使用一个单一的多属性模型，用不同的技术来嵌入属性信息。但是，在所有属性之间共享整个网络参数会限制模型捕获特定于属性的特征的能力。在本文中，我们提出了AdaTag，它使用自适应解码来处理提取。我们通过一个超网络和一个混合专家（MoE）模块，用预训练的属性嵌入来参数化解码器。这允许为不同的属性动态生成单独的但语义相关的解码器。这种方法有利于知识共享，同时保持每个属性的特殊性。我们在真实世界的电子商务数据集上的实验表明，与以前的方法相比，我们的方法有明显的改进。
2021-06-04 cs.CL
From Unstructured to Structured: LLM-Guided Attribute Graphs for Entity Search and Ranking
Amazon.com, Inc.（亚马逊公司）
本文提出结合LLM驱动的属性图构建与图感知LLM排序的两阶段方法，通过结构化属性提取和图构建提升电商中实体搜索的精度与效率，实验显示在零样本场景下平均精度提升超5%。
2026-04-30 cs.CL cs.IR
EAVE: Efficient Product Attribute Value Extraction via Lightweight Sparse-layer Interaction
Google（谷歌）
针对多属性产品信息需重复提取导致的效率问题，提出EAVE，通过缓存重型上下文表示并结合轻型编码器与稀疏层交互，在长上下文、多属性场景下显著提速且性能几乎无损。
2024-06-10 cs.CL
AE-smnsMLC: Multi-Label Classification with Semantic Matching and Negative Label Sampling for Product Attribute Value Extraction
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Rakuten Institute of Technology（乐天技术研究所）；Rakuten Group Inc.（乐天集团株式会社）
针对电子商务中仅弱标注属性值而无位置信息的场景，本文提出一种结合语义匹配与负标签采样的多标签分类模型，在真实数据集上验证了其有效性与优越性。
2023-10-11 cs.CL cs.IR cs.LG
Product Information Extraction using ChatGPT
University of Mannheim（曼海姆大学）；Northeastern University（东北大学）
本文探讨ChatGPT在零样本和少样本提示下从文本产品描述中提取属性/值对的潜力，发现其性能与预训练语言模型相当，但所需训练数据和微调计算量大幅减少。
2023-06-23 cs.CL cs.IR
EIVEN: Efficient Implicit Attribute Value Extraction using Multimodal LLM
Amazon（亚马逊）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Washington University in St. Louis（圣路易斯华盛顿大学）
针对电商多模态隐式属性值提取的标注依赖、相似值混淆等问题，提出数据与参数高效的生成框架EIVEN，结合预训练多模态LLM与对比学习技术，构建首批相关开源数据集，在更少标注下实现性能显著提升。
2024-04-13 cs.AI cs.CL cs.CV
Progressive Fashion Attribute Extraction
Myntra Designs Pvt Ltd（Myntra设计私人有限公司）
从穿着服装/时尚配饰的人的图像中提取时尚属性是一个非常困难的多类分类问题。大多数情况下，由于注释成本过高，即使是时尚目录也没有标记所有细粒度的属性。使用时尚物品的图像，使用单个模型对所有类型的属性（颈部设计细节、袖子细节等）运行多类属性提取，需要对缺失和模糊标记的数据具有鲁棒性的分类器。在这项工作中，我们提出了一种渐进的训练方法，用于这种多类分类，其中从属性中学习的权重针对同一时尚文章（例如，连衣裙）的另一个属性进行微调。我们在训练过程中逐步从基础网络中为每个属性分支网络。虽然它可能有许多标签，一个图像不需要有所有可能的标签的时尚文章存在于it. We还比较我们的方法，多标签分类，并证明使用我们的方法在整体分类精度的改进。
2019-06-29 cs.CL cs.CV cs.IR
Self-Refinement Strategies for LLM-based Product Attribute Value Extraction
University of Mannheim（曼海姆大学）
本文研究两种自优化技术（基于错误的提示重写和自校正）在基于大语言模型的产品属性值抽取任务中的应用，发现其未提升性能却增加成本，而微调在有开发数据时性能最优且启动成本随数据量增加被抵消。
2025-02-14 cs.CL
Scaling E-Commerce Attribute Extraction with Parallel Decoding
Amazon.com, Inc.（亚马逊公司）
提出两阶段大语言模型流水线，先发现购买区分属性模式，再用带超并行解码的Qwen3-4B提取属性值，实现85%准确率且推理成本降低92%，构建产品知识库。
2026-09-15 cs.CL
ExtractGPT: Exploring the Potential of Large Language Models for Product Attribute Value Extraction
University of Mannheim（曼海姆大学）；Worcester Polytechnic Institute（伍斯特理工学院）
本文提出ExtractGPT，利用大语言模型通过提示模板从非结构化产品描述中提取属性值，GPT-4达到85%的F1分数，优于BERT基线和开源模型，但微调会降低泛化能力。
2024-09-20 cs.CL
Multimodal Joint Attribute Prediction and Value Extraction for E-commerce Product
JD AI Research（京东人工智能研究院）
产品属性值在很多电子商业场景中都是必不可少的，比如客服机器人、产品推荐、产品检索等。而在现实世界中，产品的属性值往往是不完整的，并随着时间的推移而变化，这极大地阻碍了实际应用。在本文中，我们提出了一种多模态方法，以联合预测产品属性和提取价值的文本产品描述的帮助下的产品图像。我们认为，产品属性和价值是高度相关的，例如，在给定产品属性的条件下，将更容易提取值。因此，我们从多个方面对属性和值之间的相互作用联合建模属性预测和值提取任务。此外，产品形象对我们的任务有不同的产品属性和价值观的影响。因此，我们选择性地从产品图像中提取有用的视觉信息来增强我们的模型。我们标注了一个包含87，194个实例的多模态产品属性值数据集，该数据集上的实验结果表明，显式建模属性和值之间的关系有助于我们的方法建立它们之间的对应关系，并且有选择地利用视觉产品信息是必要的任务。我们的代码和数据集将向公众发布。
2020-09-15 cs.CL
Using LLMs for the Extraction and Normalization of Product Attribute Values
University of Mannheim（曼海姆大学）
本文研究利用GPT-3.5和GPT-4等大语言模型从电商产品标题与描述中抽取并归一化属性值，引入WDC-PAVE基准数据集，实验表明GPT-4以91%的F1分数优于现有PLM方法，且在字符串整理和名称扩展上表现突出。
2024-07-15 cs.CL
Hybrid Generative-Tagging Decoding for Efficient Product Attribute-Value Extraction
Amazon（亚马逊）
针对电商产品属性-值抽取的痛点，提出混合生成-标记解码模型，结合标记与生成策略，在不损失精度的前提下提升属性覆盖、正确对数量并降低延迟。
2026-10-16 cs.CL
Subgraph Extraction-based Feedback-guided Iterative Scheduling for HLS
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Google（谷歌）；X, the moonshot factory（X，登月工厂）
提出 ISDC 迭代调度算法，通过增强型 SDC 建模和基于扇出、窗口的子图提取整合下游工具反馈，在无人参与流程中使 HLS 寄存器用量较工业级开源工具降低 28.5%。
2024-01-22 cs.CL
Getting To Know You: User Attribute Extraction from Dialogues
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心（CAiRE））；The Hong Kong University of Science and Technology（香港科技大学）
用户属性为用户理解提供了丰富而有用的信息，但结构化和易于使用的属性通常很少。在本文中，我们利用对话与会话代理，其中包含用户信息的强烈建议，自动提取用户属性。由于没有现有的数据集可用于此目的，我们应用远程监督训练我们提出的两阶段属性提取器，它超越了人类评价的几个检索和生成基线。同时，我们讨论了潜在的应用（例如，个性化推荐和对话系统），并指出当前的局限性，以便对未来的工作有所启发。
2019-08-13 cs.AI cs.CL
OneKE: A Dockerized Schema-Guided LLM Agent-based Knowledge Extraction System
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）
本文提出OneKE，一个Docker化的模式引导多智能体知识抽取系统，通过可配置知识库支持多领域Web与PDF知识抽取，并在基准测试中验证了其有效性和广泛适用性。
2025-02-06 cs.AI cs.CL cs.DB
TASER: Table Agents for Schema-guided Extraction and Recommendation
J.P. Morgan AI Research（摩根大通人工智能研究）
TASER 是一种持续学习的表格提取与推荐系统，通过模式引导提升复杂表格数据的提取效率和准确性。
2026-02-23 cs.AI cs.CL cs.IR
VideoAVE: A Multi-Attribute Video-to-Text Attribute Value Extraction Dataset and Benchmark Models
Virginia Tech（弗吉尼亚理工大学）
本文提出首个公开的视频到文本电商属性值提取数据集VideoAVE，涵盖14个领域172个属性，并设计CLIP-MoE过滤系统保证数据质量，通过多模型基准评估揭示该任务仍具挑战性。
2025-08-15 cs.CL cs.CV
LLM-Ensemble: Optimal Large Language Model Ensemble Method for E-commerce Product Attribute Value Extraction
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Walmart Global Tech（沃尔玛全球科技）
针对不同大语言模型在电商属性值抽取任务中各有优劣的问题，提出迭代学习权重的LLM-ensemble集成算法，理论最优且高效安全，在沃尔玛内部数据上优于单模型，已上线并提升多项业务指标。
2024-06-20 cs.AI cs.CL cs.IR
Distinctive-attribute Extraction for Image Captioning
Korea Electronics Technology Institute（韩国电子技术研究院）
图像描述是一个开放的研究课题，随着深度神经网络的发展而不断发展。研究中采用了卷积神经网络（CNN）和递归神经网络（RNN）来计算图像特征并生成自然语言描述。在以前的工作中，可以通过将附加信息应用到RNN中来生成涉及语义描述的字幕。在这种方法中，我们提出了一个独特的属性提取（DAE），明确鼓励重要的意义，以产生一个准确的标题描述的整体意义的图像与他们独特的情况。具体地说，训练图像的字幕进行分析的词频逆文档频率（TF-IDF），和分析的语义信息进行训练，以提取独特的属性推断字幕。所提出的方案进行评估的挑战数据，它提高了客观的性能，同时更详细地描述图像。
2018-07-25 cs.CL cs.CV
PAM: Understanding Product Images in Cross Product Category Attribute Extraction
Emory University（埃默里大学）；Amazon（亚马逊）
了解产品属性对于改善消费者的在线购物体验具有重要作用，并且是构建产品知识图谱的重要组成部分。现有的方法大多集中在从文本描述中提取属性或利用产品图像中的视觉信息，如形状和颜色。与以前的作品中考虑的输入相比，产品图像实际上包含了更多的信息，由丰富的文字和视觉线索的混合物表示，精心设计的布局给客户留下深刻印象。这项工作提出了一个更具包容性的框架，充分利用这些不同的方式进行属性提取。受视觉问答中最近工作的启发，我们使用基于Transformer的序列到序列模型来融合产品文本、光学字符识别（OCR）标记和在产品图像中检测到的视觉对象的表示。通过训练解码器预测产品类别和属性值，并根据产品类别调整其输出，该框架进一步扩展了使用单个模型跨多个产品类别提取属性值的能力。该模型提供了一个统一的属性提取解决方案，希望在电子商务平台，提供了众多的产品类别与不同的身体的产品属性。我们评估了两个产品属性的模型，一个具有许多可能的值，一个具有一小部分可能的值，超过14个产品类别，发现与使用纯文本特征的现有方法相比，该模型可以在召回率上获得15%的增益，在F1得分上获得10%的增益。
2021-06-08 cs.CL cs.CV cs.LG
Agent-Guided Evidence Acquisition for Emotion-Cause Pair Extraction
Universiti Malaya（马来亚大学）；Suzhou University of Technology（苏州科技大学）；VinUniversity
该研究针对情感-原因对抽取（ECPE），提出智能体引导的证据获取方法，在10%查询率下使平均对F1提升2.64-3.88个百分点，为ECPE的高效证据获取提供了实证基础。
2026-10-14 cs.CL
