关系抽取还是模式匹配？解密语言模型在人物关系抽取中的泛化极限

分析关系抽取(RE)模型的泛化能力对于评估其是否学习到健壮的关系模式或依赖于虚假关联至关重要。我们的跨数据集实验发现，RE模型在未见数据上的表现困难，即便是在相似领域内。值得注意的是，更高的 intra-dataset性能并不代表更好的可转移性，反而常常表明模型过拟合到数据集特定的迹象。我们的研究结果还表明，数据质量而非词汇相似性是实现稳健可转移性的关键关键因素，最佳适应策略的选择取决于可用数据质量：在高质量数据上，微调可实现最佳的跨数据集性能；在噪声数据上，few-shot情境学习(ICL)更为有效。然而，即便在这些情况下，零样本基线也偶尔超过所有跨数据集结果。RE基准测试中的结构性问题，如单关系样本限制和非标准化负类定义，进一步阻碍了模型的可转移性。