结构化提示询问与语义递归提取（SPIRES）：一种利用零样本学习构建知识库的方法
人工智能
2024-11-05 v2 机器学习
摘要
创建知识库和本体是一项依赖人工整理、耗时费力的任务。AI/NLP方法可辅助专家整理者填充这些知识库，但现有方法依赖大量训练数据，且无法填充任意复杂的嵌套知识模式。在此我们提出结构化提示询问与语义递归提取（SPIRES），一种知识提取方法，其依靠大语言模型（LLMs）执行零样本学习（ZSL）和基于灵活提示的通用查询回答、并返回符合指定模式的信息的能力。给定详细的用户定义知识模式和输入文本，SPIRES递归地对GPT-3+执行提示询问，以获得一组匹配所提供模式的响应。SPIRES使用现有本体和词汇表为所有匹配元素提供标识符。我们展示了SPIRES在不同领域的使用示例，包括食物配方提取、多物种细胞信号通路、疾病治疗、多步药物机制，以及化学到疾病因果图。当前SPIRES的准确度可与现有关系提取（RE）方法的中等水平相比，但具有易于定制、灵活性的优势，且关键的是能够在无任何训练数据情况下执行新任务。该方法支持一种通用策略，即利用LLMs的语言解释能力来组装知识库，辅助人工知识整理与获取，同时支持利用LLM外部的公开可用数据库和本体进行验证。SPIRES作为开源OntoGPT包的一部分提供：https://github.com/monarch-initiative/ontogpt。
引用
@article{arxiv.2304.02711,
title = {Structured prompt interrogation and recursive extraction of semantics (SPIRES): A method for populating knowledge bases using zero-shot learning},
author = {J. Harry Caufield and Harshad Hegde and Vincent Emonet and Nomi L. Harris and Marcin P. Joachimiak and Nicolas Matentzoglu and HyeongSik Kim and Sierra A. T. Moxon and Justin T. Reese and Melissa A. Haendel and Peter N. Robinson and Christopher J. Mungall},
journal= {arXiv preprint arXiv:2304.02711},
year = {2024}
}
备注
Updated 2023-12-22