利用大语言模型进行关系抽取领域自适应的少样本方法
计算与语言
2025-10-15 v1 人工智能
摘要
知识图谱（KGs）已成功应用于复杂科学和技术领域的分析，自动知识图谱生成方法通常建立在关系抽取模型之上，以捕捉文本中领域实体之间的细粒度关系。虽然这些关系完全适用于各科学领域，但现有模型通常在少数领域特定数据集（如SciERC）上进行训练，在新目标领域上表现不佳。在本文中，我们实验性地利用大语言模型的上下文学习能力进行模式约束的数据标注，为部署在建筑、工程与施工（AECO）领域研究论文标题和摘要上的基于Transformer的关系抽取模型收集领域内训练实例。通过评估相对于在域外数据上训练的基线深度学习架构的性能提升，我们表明，通过使用结构化提示的少样本学习策略和最少量的专家标注，所提出的方法可以潜在地支持科学知识图谱生成模型的领域自适应。
引用
@article{arxiv.2408.02377,
title = {A Few-Shot Approach for Relation Extraction Domain Adaptation using Large Language Models},
author = {Vanni Zavarella and Juan Carlos Gamero-Salinas and Sergio Consoli},
journal= {arXiv preprint arXiv:2408.02377},
year = {2025}
}