L'Extraction d'Information Ouverte (OpenIE) facilite la découverte de faits relationnels indépendants du domaine à partir de grands corpus. Cette technique convient bien à de nombreux scénarios de compréhension du langage naturel dans un monde ouvert, tels que la construction automatique de bases de connaissances, le traitement des questions en domaine ouvert et le raisonnement explicite. Grâce au développement rapide des technologies d'apprentissage profond, de nombreuses architectures neuronales pour l'OpenIE ont été proposées et ont permis d'améliorer considérablement les performances. Dans cette revue, nous fournissons une vue d'ensemble approfondie des modèles neuronaux OpenIE les plus avancés actuellement disponibles, ainsi que leurs principales décisions de conception, leurs forces et leurs faiblesses. Ensuite, nous discutons des limites des solutions actuelles et des problèmes ouverts propres à l'OpenIE. Enfin, nous présentons les tendances récentes qui pourraient aider à élargir son champ d'application et sa pertinence, en définissant des orientations prometteuses pour les futures recherches en OpenIE. Selon nos connaissances, cet article constitue la première revue sur ce sujet spécifique.