融合传统关系抽取方法与大型语言模型以赋能少样本关系抽取
计算与语言
2024-07-15 v1 人工智能
摘要
少样本关系抽取（FSRE）是关系抽取（RE）的一个子任务，利用有限的训练实例，因其在极低资源场景下提取文本信息的能力而吸引了自然语言处理（NLP）领域越来越多的研究者。FSRE采用的主要方法是基于预训练语言模型（PLM）的微调或提示调优技术。近年来，大型语言模型（LLM）的出现促使许多研究者通过上下文学习（ICL）探索FSRE。然而，基于传统RE模型或LLM的方法都存在显著的局限性。传统RE模型受限于缺乏必要的先验知识，而LLM在RE的任务特定能力方面有所不足。为解决这些缺陷，我们提出了一种双系统增强关系抽取器（DSARE），它协同结合了传统RE模型与LLM。具体来说，DSARE创新地将LLM的先验知识注入传统RE模型，并反过来通过关系抽取增强来提升LLM在RE上的任务特定能力。此外，采用集成预测模块共同考虑这两个各自的预测并得出最终结果。大量实验证明了我们提出方法的有效性。
引用
@article{arxiv.2407.08967,
title = {Empowering Few-Shot Relation Extraction with The Integration of Traditional RE Methods and Large Language Models},
author = {Ye Liu and Kai Zhang and Aoran Gan and Linan Yue and Feng Hu and Qi Liu and Enhong Chen},
journal= {arXiv preprint arXiv:2407.08967},
year = {2024}
}