窥探黑箱：基于强化学习的可解释且准确的关系抽取
计算与语言
2026-02-17 v2 信息检索
摘要
我们提出 CogRE，一个新颖的关系抽取（RE）框架，从准确性和可解释性两个维度增强关系抽取。该框架包含两个关键组件：(i) 受认知科学启发，将关系抽取形式化为一系列文本处理步骤的推理机制；(ii) 由 novel 强化学习（RL）奖励函数驱动的优化过程。该框架引入关系关键词，并通过自动构建的关键词词典来奖励生成这些关键词。这一设计解决了传统关系抽取中缺乏语言解释的问题，为 RL 训练中的解释提供监督。我们的实验表明，CogRE 通过解决单次关系抽取中两个常见失败模式（注意力聚焦不足和单次学习能力受限），提升了解释质量。例如，在 One-shot NYT29 上使用 Qwen2.5-15B-Instruct 的认知结构化推理实现了 24.65% 的 F1 分数，超越了先前的基于推理的设计。进一步地，通过我们的奖励函数优化该方法，性能提升了 +23.46%（绝对值）。此外，在 NYT29 上训练的模型对分布外数据集 WIKIDATA 获得了 +16.9% 的 F1 提升。最后，人类评估显示，我们最佳模型生成的关系关键词与 gold 标签高度一致，人类解释质量评分提升了 54%（相对值）。
引用
@article{arxiv.2510.06198,
title = {Peeking inside the Black-Box: Reinforcement Learning for Explainable and Accurate Relation Extraction},
author = {Xinyu Guo and Zhengliang Shi and Minglai Yang and Mahdi Rahimi and Mihai Surdeanu},
journal= {arXiv preprint arXiv:2510.06198},
year = {2026}
}
备注
Working in process