Die Offene Informationsextraktion (Open Information Extraction, OpenIE) ermöglicht die domänenübergreifende Entdeckung von relationalen Fakten in großen Korpora. Diese Technik eignet sich gut für viele offene Szenarien des maschinellen Sprachverständnisses, wie zum Beispiel die automatische Konstruktion von Wissensbasen, das beantworten von Fragen aus beliebigen Bereichen und explizites Schließen. Dank der raschen Entwicklung im Bereich der Tiefen Lernverfahren wurden zahlreiche neurale OpenIE-Architekturen vorgeschlagen und erzielen erhebliche Leistungsverbesserungen. In dieser Übersicht geben wir einen umfassenden Überblick über die neuesten neuronalen OpenIE-Modelle, ihre wesentlichen Designentscheidungen sowie deren Stärken und Schwächen. Anschließend diskutieren wir die Grenzen der aktuellen Lösungen und die offenen Fragen des Problems der Offenen Informationsextraktion selbst. Abschließend führen wir aktuelle Trends auf, die dazu beitragen könnten, den Umfang und die Anwendbarkeit von OpenIE zu erweitern, und legen vielversprechende Richtlinien für zukünftige Forschungen in diesem Bereich dar. Nach bestem Wissen ist dies der erste Reviewbeitrag zu diesem spezifischen Thema.