三元组抽取任务旨在从非结构化文本中提取实体对及其对应的关系。现有的大多数方法在包含特定目标关系的训练数据上训练抽取模型，无法抽取训练时未观察到的新关系。通常情况下，将模型泛化到未见过的关系需要在合成训练数据上进行微调，而这些数据往往存在噪声且不可靠。我们展示了一种通过将三元组抽取任务简化为预训练语言模型（LM）上的模板填充任务的方法，可以使抽取模型具备零样本学习能力，并消除对额外训练数据的需求。我们提出了一种新的框架——ZETT（基于模板填充的零样本三元组抽取），该框架将任务目标与生成式 Transformer 的预训练目标对齐，以实现对未见过关系的泛化。实验结果表明，在FewRel和Wiki-ZSL数据集上，ZETT表现出一致且稳定的性能，即使使用自动生成的模板也优于之前的最先进方法。https://github.com/megagonlabs/zett/