利用实体侧信息的文档级零样本关系抽取
计算与语言
2026-01-13 v1
摘要
文档级零样本关系抽取旨在预测文本文档中未见过的关系标签，而无需事先针对特定关系进行训练。现有方法依赖大型语言模型为未见过的标签生成合成数据，这对马来西亚英语等低资源语言提出了挑战。这些挑战包括融入当地语言细微差别以及LLM生成数据中存在事实不准确的风险。本文引入了利用实体侧信息的文档级零样本关系抽取，以解决现有DocZSRE方法的局限性。DocZSRE-SI框架利用实体侧信息，如实体提及描述和实体提及上位词，在不依赖LLM生成的合成数据的情况下执行ZSRE。所提出的低复杂度模型在宏F1分数上相比基线模型和现有基准平均提高了11.6%。通过利用实体侧信息，DocZSRE-SI为易出错的基于LLM的方法提供了一种稳健且高效的替代方案，展示了在处理低资源语言和关系抽取任务中的语言多样性方面的显著进步。这项研究为ZSRE提供了一种可扩展且可靠的解决方案，特别是在马来西亚英语新闻文章等传统基于LLM的方法效果不佳的语境中。
引用
@article{arxiv.2601.07271,
title = {Document-Level Zero-Shot Relation Extraction with Entity Side Information},
author = {Mohan Raj Chanthran and Soon Lay Ki and Ong Huey Fang and Bhawani Selvaretnam},
journal= {arXiv preprint arXiv:2601.07271},
year = {2026}
}
备注
Accepted to EACL 2026 Main Conference