Awesome-LLM4IE-Papers

一键速览LLM+信息抽取全部前沿论文

Awesome-LLM4IE-Papers 是一个精选论文列表,专注于大语言模型(LLM)在生成式信息抽取(IE)领域的应用。该项目系统整理了利用LLM进行实体识别、关系抽取、事件抽取等任务的论文,覆盖了从基础方法到前沿技术的完整脉络。它解决了研究者快速追踪LLM+IE交叉领域进展的痛点,提供了按任务类型、方法、数据集等维度分类的论文索引,并附有简要说明和链接。核心能力在于持续更新、结构化组织,以及为入门者和专家提供一站式文献导航。对于希望了解LLM如何革新传统信息抽取、寻找研究切入点的用户,这是一个高效的知识入口。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 1064
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队quqxui
所属国家
官网地址
定价模式free
价格说明开源项目,完全免费,无付费版本。
访问状态
是否开源是
开源协议
主要语言
技术栈/模型cross-domain-learning,data-augmentation,event-arguments,event-detection,event-extraction,few-shot-learning,in-context-learning,information-extraction,knowledge-graph-construction,large-language-models,named-entity-recognition,relation-extraction,zero-shot-learning
GitHub 星标★ 1064
30天Star增速
HF 下载量
上线时间2023-12-28 00:00:00
最近更新2026-09-14 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数5

使用教程

难度:入门 约 5 分钟 部署方式:本地安装 6 步

⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。

环境要求

  • 可访问 GitHub 的网络环境
  • 本机安装 git(也可直接在网页上浏览,非必需)
  • 任意 Markdown 阅读器或浏览器(用于查看 README.md)
  • 无需 Python、Docker 等运行时环境,README 未提供任何代码依赖

安装与启动步骤

  1. 1克隆论文仓库

    把仓库拉到本地即可获得全部论文索引,若只想浏览可直接打开 GitHub 网页查看。

    git clone https://github.com/quqxui/Awesome-LLM4IE-Papers.git
  2. 2进入仓库目录

    进入克隆下来的文件夹,README.md 就是完整的论文清单入口。

    cd Awesome-LLM4IE-Papers
  3. 3查看目录结构

    README 中的 Table of Contents 按任务分类,包含 Named Entity Recognition、Relation Extraction 等章节。

    cat README.md
  4. 4按任务检索论文

    在 README 中定位到目标任务章节(如实体识别、关系抽取、事件抽取),查看论文标题与链接。

  5. 5阅读配套综述

    论文的组织方式参考作者发表于 Frontiers of Computer Science 的综述,可按该文理解分类体系。

  6. 6反馈遗漏论文

    README 欢迎提交更新,可通过邮件联系作者补充未收录的相关论文。

如何确认成功

本地出现 Awesome-LLM4IE-Papers 目录,且 README.md 中能看到 Information Extraction tasks 目录及 NER、RE 等子章节即成功。

常见问题

Q:需要安装 Python 或 Docker 吗?

A:不需要。该项目是论文索引清单,README 未提供任何安装命令或运行依赖,克隆后直接阅读 Markdown 即可。

Q:怎么快速找到某个任务的论文?

A:打开 README.md 的 Table of Contents,按 Named Entity Recognition、Relation Extraction 等任务分类点击跳转对应章节。

Q:发现论文遗漏或错误怎么办?

A:README 说明欢迎任何人提交更新,可发邮件至 derongxu@mail.ustc.edu.cn 或 chenweicw@mail.ustc.edu.cn 反馈。

Q:引用该项目时该怎么做?

A:README 提供了 BibTeX 格式的引用条目(xu2024large,Frontiers of Computer Science, 2024),直接复制使用即可。

注意事项

  • 本项目仅为论文清单,不含可执行代码、模型权重或数据集。
  • 论文组织方式对应作者的 FCS 综述,深入了解请阅读该综述原文。
  • 清单持续更新,本地克隆后建议定期执行 git pull 获取最新内容。

核心亮点

  • 论文分类清晰,按任务(NER、RE、EE)和方法组织,检索效率高
  • 持续更新,覆盖了2023-2024年最新研究成果,紧跟领域热点
  • 每篇论文附有简短说明,帮助快速判断相关性,节省筛选时间

不足之处

  • 仅提供论文链接和简介,不包含代码或实验复现细节
  • 文档/社区待观察

适用场景

  • 学术研究:快速调研LLM在信息抽取方向的研究现状与趋势
  • 课题选题:寻找创新点,对比不同方法优劣
  • 工程选型:了解业界最佳实践,为构建基于LLM的抽取系统提供参考

替代项目

Awesome-LLM、Awesome-Information-Extraction、LLM-Survey

项目介绍

Awesome-LLM4IE-Papers 是数据集领域的开源项目,由 quqxui 开发,2023 年首次发布。

在全站 13,090 个收录项目中,它的 GitHub 星标数(1,064)位列前 30%,在数据集分类中处于中上游。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-09-14。完全免费,无付费版本。

它主要面向的使用场景是:学术研究:快速调研LLM在信息抽取方向的研究现状与趋势。同类可对比的替代方案包括 Awesome-LLM、Awesome-Information-Extraction、LLM-Survey。

同类项目推荐

X-AnyLabeling 开源

一站式AI辅助标注,图像视频文本通吃,导出格式随心配

X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···

★ 10528 2026-08-10
aisheets 开源

像用表格一样批量调 AI,不写代码就能造和改数据集

Build, enrich, and transform datasets using AI models with no code

★ 1645 2026-09-20
distilabel 开源

基于论文的合成数据流水线,快速生成高质量 AI 反馈数据。

Distilabel is a framework for synthetic data and AI feedback for engineers who need ···

★ 3398 2026-08-10
DataGen 开源

用大模型一键生成定制化训练数据,告别数据荒

[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models

★ 69 2026-08-09