Apr, 2023

用结构化提示问询和递归语义抽取（SPIRES）：一种使用零样本学习填充知识库的方法

PDF
TL;DRSPIRES 是一种基于大型语言模型的知识提取方法，使用零 - shot 学习和通用查询回答，以根据特定模式返回信息，支持知识管理和获取的手动曲调。
knowledge extractionlarge language modelszero-shot learningontogptknowledge curation
发现论文，激发创造
  • ASPIRO：一种适用于一切情境的结构化解析 - 误导引导生成一致数据到文本的方法

    ASPIRO 是一种在零至少数次迭代条件下将结构化数据实现为短模板句子的方法，与现有方法不同，我们的方法直接让大型语言模型（LLMs）生成实体无关的模板，而不是依赖 LLMs 忠实地复制给定的实体，或手动验证 / 设计模板。我们结合 LLM 再提示，通过算法解析检查触发，并且采用 PARENT 度量诱导的一致性验证来实时识别和纠正模板生成问题。ASPIRO 相比直接 LLM 输出，在 DART 数据集上生成的 RDF 三元组的口头表达中平均减少了 66％的解析错误率。在 Rel2Text 数据集上，我们的最佳 5 次迭代的 text-davinci-003 设置具有 BLEU 50.62，METEOR 45.16，BLEURT 0.82，NUBIA 0.87 和 PARENT 0.8962 的评分，与最近的经过微调的预训练语言模型相当有效地竞争。

    Oct, 2023

  • 本体增强的少样本学习提示微调

    本研究提出了一个基于知识注入和预训练语言模型的本体增强提示调整（OntoPrompt）方法，能够处理结构数据缺失、噪声和异质性问题，该方法在关系抽取、事件提取和知识图谱完成等三个任务中得到了比基准更好的性能。

    Jan, 2022

  • Schema-aware Reference as Prompt Improves Data-Efficient Relational Triple and Event Extraction

    本文提出了一种基于预训练语言模型、schema-aware reference 和 few-shot learning 的信息抽取方法，可以克服语义差距和特征不足等诸多限制，并在四个关系三元组和事件抽取数据集上表现出更好的低资源学习性能。

    Oct, 2022

  • 透明互动语义解析：逐步校正

    本研究研究了一种交互式语义解析框架，它可以通过自然语言一步一步地解释预测的逻辑形式，并允许用户通过自然语言反馈进行更正，主要关注问答和知识库的关系，构建了 INSPIRED 数据集，并进行了实验，有望大大提高总体解析精度。

    Oct, 2021

  • 用迭代零样本 LLM 触发知识图谱构建

    本文提出了一种基于生成式语言模型的知识图谱生成方法，通过迭代提示和零样本学习等策略解决了知识图谱构建中的一些核心问题，具有可扩展性和广泛适应性。

    Jul, 2023

  • UPRISE：用于改进零样本评估的通用提示检索

    UPRISE is a model that improves the generalization of large language models through a lightweight and versatile retriever that automatically retrieves prompts for zero-shot tasks, without the need for model-specific fine-tuning or task-specific prompt engineering, and mitigates the hallucination problem in chatbots.

    Mar, 2023

  • 基于结构化语言知识的视觉 - 语言模型的层次化提示学习

    本研究提出一种称为分层提示调整的新方法，利用大语言模型（LLMs）建立描述每个类别的图形模型，以模拟描述类别的实体和属性及其相关性，并通过引入关系引导注意模块来捕捉实体和属性之间的关联，以及通过结合整体语义建模来处理更复杂和长期的关系。实验结果表明，我们的方法具有很强的效果，并且比现有的最先进方法具有更好的泛化性能。

    Dec, 2023

  • 利用经过优化的大型语言模型从复杂的科技文本中提取结构化信息

    通过预先训练的语言模型 GPT-3，我们提出了一种简单的序列到序列方法来联合提取科学文本中的复杂层次信息的命名实体识别和关系抽取，并证明了这种方式能够准确提取复杂科学知识的有用记录。

    Dec, 2022

  • XRICL：面向跨语言文本到 SQL 语义解析的跨语言检索增强上下文学习

    本研究提出了 XRICL 框架，用于通过英语方案将非英语话语翻译成 SQL 查询，并构建了两个新的基准数据集，该模型在全球范围内的 XSpider 和 XKaggle-dbqa 问题上表现出优异的效果。

    Oct, 2022

  • 学习联合查询解释和响应排序

    利用保留非结构化文本语料的数据表征和结构化注释，我们提出了两种新的联合查询解释和响应排序的公式，既考虑了查询解释的不确定性，又将信息从知识库和语料库之间进行双向流动，这在实体搜索中表现出更高的精度。

    Dec, 2012