检索增强生成框架中使用微调大语言模型的关系抽取

信息抽取(IE)是将非结构化数据转换为结构化格式（如知识图谱KG）的关键技术。IE中的关系抽取(RE)任务则识别文本中实体之间的关系。现有的RE方法包括监督式、无监督式、弱监督式和规则式方法。近期利用预训练语言模型(PLMs)的研究在该领域取得了显著成果。在当前以大语言模型(LLM)为主导的时代，微调这些模型可以克服基于零样本LLM提示式RE方法所固有的局限，尤其是在领域适应方面以及识别句子中隐含关系方面。这些隐含关系无法通过句子的依存树轻易提取，需通过逻辑推理才能准确识别。本工作探讨了在检索增强式(RAG)RE方法中集成微调LLM的性能表现，以解决在句子水平上识别隐含关系的挑战，特别是在LLM作为生成器 within RAG框架时的表现。在TACRED、TACRED-Revisited(TACREV)、Re-TACRED和SemEVAL数据集上的实证评估显示，微调后的LLM（包括Llama2-7B、Mistral-7B和T5(Large)）在性能上均实现了显著提升，尤其在隐含关系较多的SemEVAL数据集上，优于先前结果。此外，我们的方法在TACRED、TACREV和Re-TACRED数据集上均优于先前工作，展示了在多样化评估场景下的卓越性能。