Triplet extraction aims to extract entities and their corresponding relations in unstructured text. Most existing methods train an extraction model on high-quality training data, and hence are incapable of extracting relations that were not observed during training. Generalizing the model to unseen relations typically requires fine-tuning on synthetic training data which is often noisy and unreliable. In this paper, we argue that reducing triplet extraction to a template filling task over a pre-trained language model can equip the model with zero-shot learning capabilities and enable it to leverage the implicit knowledge in the language model. Embodying these ideas, we propose a novel framework, ZETT (ZEro-shot Triplet extraction by Template infilling), that is based on end-to-end generative transformers. Our experiments show that without any data augmentation or pipeline systems, ZETT can outperform previous state-of-the-art models with 25% less parameters. We further show that ZETT is more robust in detecting entities and can be incorporated with automatically generated templates for relations.

加强福祉，医疗保健和监测的技术正在上升。然而，尽管患者兴趣，但这种技术遭受了低采用。这一有限收养的一个假设是丧失医生遭遇的人类互动的丧失。在本文中，我们寻求通过采用人体医生互动的一个方面的会话代理来解决这一限制：人类化身，以促进医疗接受的问题。这与医生可以指向人体或患者可能指向自己的身体以表达他们的条件的人，这是类似的。此外，我们的代理有多种交互模式，可能会给患者提供更多选项，以便使用代理商，而不仅仅是对于医疗问题应答，而且还可以从事关于一般话题和当前事件的对话。化身和多种交互模式都可以有助于提高遵守。我们展示了我们代理人的设计概述，玛丽机器人福利。我们还报告了我们早期原型的实施细节，并提出了初步结果。

在解决问题中，了解一个旨在解决的问题是一个重要的初始步骤。在本文中，我们提出了通过识别在长数学问题的规范中的未知的任务来促进问题理解的计算方法。我们专注于概率的主题。我们的实验结果表明，学习模型对任务产生了强烈的结果，这是对人类可解释的，模块化的方法来了解长数学问题的有希望的第一步。