基于显式证据推理思维链的少样本关系抽取
计算与语言
2024-03-11 v3
摘要
少样本关系抽取旨在利用有限数量的标注样本，识别文本中两个特定实体间的关类型。通过应用元学习与神经图技术，已出现多种解决方案，这类方案通常需经训练过程以适应任务。近来，上下文学习策略无需训练即展现出显著效果。已有少数研究将上下文学习用于零样本信息抽取。遗憾的是，在思维链提示构建过程中，推理证据要么未被考虑，要么被隐式建模。本文提出一种使用大语言模型的少样本关系抽取新方法，称为 CoT-ER，即带显式证据推理的思维链。具体而言，CoT-ER 首先引导大语言模型利用任务特定与概念级知识生成证据，随后将这些证据显式融入思维链提示以进行关系抽取。实验结果表明，我们的 CoT-ER 方法（使用 0% 训练数据）在 FewRel1.0 与 FewRel2.0 数据集上取得了与全监督（使用 100% 训练数据）最先进方法相竞争的性能。
引用
@article{arxiv.2311.05922,
title = {Chain of Thought with Explicit Evidence Reasoning for Few-shot Relation Extraction},
author = {Xilai Ma and Jing Li and Min Zhang},
journal= {arXiv preprint arXiv:2311.05922},
year = {2024}
}
备注
Findings of EMNLP 2023