通过监督理由验证与反馈增强关系抽取

尽管现有的自动化反馈方法在纠正大语言模型（LLM）输出方面取得了快速进展，但由于其指定的反馈目标和纠正方式，这些方法无法很好地应用于关系抽取（RE）任务。为了解决这一问题，我们提出了一种用于RE的新型自动化反馈框架，该框架引入理由监督器来验证理由，并提供重新选择的示范作为反馈以纠正初始预测。具体而言，我们首先设计了一种因果干预与观测方法来收集有偏/无偏理由，用于对比训练理由监督器。然后，我们提出了一种验证-反馈-纠正程序来迭代增强LLM处理RE任务的能力。大量实验证明，我们提出的框架显著优于现有方法。