面向通用信息抽取的 ProUIE：一种从宏观到微观的渐进学习方法
计算与语言
2026-04-14 v1
摘要
基于大语言模型的通用信息抽取 (UIE) 方法常依赖训练数据之外的额外信息，这会增加训练复杂度且往往获得有限的提升。为此，我们提出 ProUIE，一种无需引入外部信息即可提升 UIE 的宏观到微观渐进学习方法。ProUIE 包含三个阶段：(i) 宏观层面的完整建模 (CM)，在完整训练数据上按其内在难度顺序学习命名实体识别 (NER)、关系抽取 (RE) 和事件抽取 (EE)，构建统一的抽取基础；(ii) 中观层面的精简对齐 (SA)，在抽样数据上运行，简化目标格式，使结构化输出更简洁且可控；(iii) 微观层面的深度探索 (DE)，应用 GRPO 对结构单元进行逐步细粒度奖励 (SFR) 指导探索，提升性能。在 36 个公开数据集上的实验表明，ProUIE 在统一抽取方面持续获益，平均使用更小的模型规模即可在 NER 和 RE 上超越强大的指令调优基线，同时在大规模面向生产的信息抽取中也显示出明显的提升。
引用
@article{arxiv.2604.10633,
title = {ProUIE: A Macro-to-Micro Progressive Learning Method for LLM-based Universal Information Extraction},
author = {Wenda Liu and Zhigang Song and Shuai Nie and Guangyao Liu and Lisung Chen and Binyu Yang and Yaran Chen and Peng Zhou and Hongzhen Wang and Yuchen Liu and Wenyue Hu and Jiaming Xu and Runyu Shi and Ying Huang},
journal= {arXiv preprint arXiv:2604.10633},
year = {2026}
}