大语言模型在监督式关系抽取中表现逊色于基于图的解析器：针对复杂图的实验分析

关系抽取是构建知识图谱等其他应用过程中 fundamental 的组成部分。大语言模型（LLMs）已被采纳作为关系抽取的有前景的工具，既在监督学习设置中，也在情境学习设置中。然而，本工作我们展示的是，当文本所包含的语言图具有较大复杂性时，其性能仍落后于更小的架构。为此，我们在六个具有不同句子图规模和复杂性的关系抽取数据集上，对四个大语言模型进行评估，并与基于图的解析器进行比较。我们的结果表明，随着输入文档中关系数量的增加，基于图的解析器的优势日益增大。这使得在语言图复杂的情形下，性能更优的基于图的解析器成为更优选择。