本研究提出了一种多任务学习方法，结合句子分类和命名实体识别，以提升信息抽取的性能。引入通用信息抽取大型语言模型（GIELLM），首次同时处理多种子任务，实验证明其在多个数据集上表现优异，标志着信息抽取的新范式。

本文综述多种深度学习句子分类模型：C-LSTM结合CNN与RNN提升文本分类；层次化顺序标记网络利用上下文分类医学摘要句子，性能提升2%-3%；DSCNN无需解析器实现句子与文档表示；Context-LSTM-CNN结合相邻句子上下文与远距离依赖，在两个数据集上优于以往方法。

我们提出了一种用于句子分类的Squeeze-and-Excitation卷积神经网络（SECNN），通过多个CNN的特征图作为句子表示的不同通道，并结合通道注意机制（SE attention mechanism）学习不同通道特征的注意权重，实现了先进的句子分类性能。