本文提出了一种基于图卷积的模型，结合文本和视觉信息进行实体抽取。实验证明该模型在发票和简历数据集上的性能优于BiLSTM-CRF模型，能够通过少量标记数据和转移学习实现高效的信息提取，尤其在处理复杂文档时表现出色，显著提高了提取效率和准确性。

本文提出了一种基于序列标注的分解策略，将实体和关系抽取任务分为头实体抽取和尾实体及关系抽取两个子任务。实验结果表明，该方法在多个数据集上实现了最佳F1分数，验证了其有效性。

通过众包开发了一个波斯语对话数据集，包含22k个发言、15个领域和1061个对话。标注并训练了模型，提出了用于自然语言理解任务的基准模型，意图分类F-1得分约为91%，实体抽取F-1得分约为93%。可作为未来研究的基准。

本文介绍了一种通过自然对话来协助用户进行预测任务的智能代理。通过引入预测话语的概念，并采用实体抽取和问答技术解决槽填充问题，实验证明了该方法的可行性和有效性。