基于检索增强生成的关系抽取方法
计算与语言
2025-10-29 v2 人工智能
摘要
关系抽取(IE)是一种转化过程，将非结构化文本数据转换为结构化格式，采用实体和关系抽取(RE)方法。在该框架中，识别实体对之间的关系起着关键作用。尽管存在各种关系抽取技术，但其有效性高度依赖于获取标记数据和大量计算资源。面对这些挑战，大型语言模型(LLM)作为有前景的解决方案；然而，由于其自身训练数据，可能返回幻觉响应。为克服这些限制，本工作提出了检索增强生成-关系抽取(RAG4RE)，为增强关系抽取任务的性能提供了一条途径。本工作通过利用各种LLM评估我们的RAG4RE方法的有效性。通过利用TACRED、TACREV、Re-TACRED和SemEval RE数据集等既定基准，全面评估我们的RAG4RE方法的有效性。特别是，我们利用Flan T5、Llama2和Mistral等知名LLM进行我们的调查。我们研究的结果表明，我的RAG4RE方法在TACRED数据集及其变体方面的性能优于仅基于LLM的传统RE方法。此外，我们的方法在TACRED和TACREV数据集上表现出与以往RE方法的显著优势，凸显了其有效性和潜力，用于推进自然语言处理中的RE任务。
引用
@article{arxiv.2404.13397,
title = {Retrieval-Augmented Generation-based Relation Extraction},
author = {Sefika Efeoglu and Adrian Paschke},
journal= {arXiv preprint arXiv:2404.13397},
year = {2025}
}
备注
published at the Semantic Web journal. The last version is available: https://doi.org/10.1177/22104968251385519