基于 LLM + ASP 的联合实体-关系抽取工作流程
人工智能
2026-01-09 v3 计算与语言
摘要
联合实体-关系抽取（JERE）同时识别实体及其关系。传统基于机器学习的方法需大量标注数据且难以轻松地将领域特定信息纳入模型构建。因此，JERE 的模型构建往往工作量大、耗时且对详尽性要求高。在本文中，我们提出利用生成式预训练大语言模型（LLM）和答案集编程（ASP）的知识表示与推理能力来执行 JERE。我们提出了一个通用的 JERE 工作流程，利用 LLM 与 ASP。该工作流程具有通用性，可用于任何领域的 JERE。它利用 LLM 在自然语言理解方面的能力，直接处理未标注文本。它利用 ASP 在详尽性方面的优势，即无需修改其核心程序即可使用发现并需要使用的额外领域特定知识（形式为类型规范）。我们通过在三个著名的 JERE 基准数据集上使用有限训练数据进行实验，展示了所提出工作流程的有用性。实验结果表明，LLM + ASP 工作流程在多个方面均优于最先进的 JERE 系统，且仅需 10% 的训练数据。它在 SciERC 语料库中实现了 2.5 倍（35% 相对于 15%）的关系抽取提升，该语料库是最具挑战性的基准之一。
引用
@article{arxiv.2508.12611,
title = {An LLM + ASP Workflow for Joint Entity-Relation Extraction},
author = {Trang Tran and Trung Hoang Le and Huiping Cao and Tran Cao Son},
journal= {arXiv preprint arXiv:2508.12611},
year = {2026}
}
备注
In Proceedings ICLP 2025, arXiv:2601.00047