EMNLPNov, 2023

基于显式证据推理的少样本关系抽取思路链

PDF
TL;DR使用大型语言模型的 CoT-ER 方法为少样本关系提取提出了一种新的方法，该方法利用具体证明推理将证据明确地纳入思维链式提示，实验结果表明，CoT-ER 方法（无训练数据）在 FewRel1.0 和 FewRel2.0 数据集上的表现与全监督（有 100% 训练数据）最新方法相当。
few-shot relation extractionin-context learninglarge language modelscot-erevidence reasoning
发现论文，激发创造
  • 多模态命名实体和多模态关系抽取的思维链提示蒸馏

    本研究探索了如何通过生成 “思考链” 从大型语言模型中提取出推理能力并综合常识推理能力，进而实现条件提示蒸馏，提高学生模型在 MNER 和 MRE 数据集上的效果。

    Jun, 2023

  • 基于预训练语言模型的上下文小样本关系抽取

    通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

    Oct, 2023

  • ERA-CoT: 通过实体关系分析改进思维链

    我们提出了一种新的方法 ERA-CoT，通过捕捉实体之间的关系并通过思维链条（CoT）支持多样化任务的推理，从而帮助大型语言模型（LLMs）理解上下文，实现了在 GPT3.5 上相较于现有的 CoT 提示方法，平均提升了 5.1％的显著改进，增加了 LLMs 对实体关系的理解，显著提高了问答的准确性和推理能力。

    Mar, 2024

  • 大型语言模型中演化算法引导的零射链条思维推理

    大语言模型通过应用无需预先训练的思维链式促进方法展示了卓越的表现，并展示了出色的推理能力。本文介绍了一种新的零样本促进方法，利用进化算法为大语言模型动态生成多样的促进方式，通过选择适合的促进方式提高模型的理解能力。详细实验结果表明，相较于当前的零样本推理方法，在 GPT-3.5-turbo 和 GPT-4 上，我们的方法表现出更优越的性能。此外，深入的分析实验突显了本方法在各种推理任务中的适应性和有效性。

    Feb, 2024

  • 有效的零样本和小样本关系抽取的标签表达和蕴涵

    通过转换为推论任务并且使用预训练的文本推论引擎，我们能够减少标注大量实例所需的成本，实验结果表明，我们的方法在少量示例情况下可达到更好的性能。

    Sep, 2021

  • 图形推理：基于 LLM 的半开放关系提取

    本研究通过利用 GPT-3.5 中的链式思维和图形推理技术，以及详细的例子推理，全面探索了关系抽取，并引入了一种新颖的图形推理方法，将关系抽取拆分为连续的子任务，提高了处理复杂关系数据的精确性和适应性，实验证明了我们方法的有效性。

    Apr, 2024

  • 通过逻辑增强大型语言模型中的零射连续推理

    利用逻辑链思维 (LogiCoT) 的神经符号框架，大规模语言模型提供了更强的零编码链式思维推理能力。实验证明了逻辑增强的推理范式在算术、常识、符号、因果推断和社会问题等多个领域的语言任务中的有效性。

    Sep, 2023

  • Tab-CoT: 零样本表格思维链

    本文提出了一种新颖的表格格式 CoT 提示方法，命名为 Tab-CoT 方法，可以在高度结构化的方式下明确地建模复杂的推理过程，通过在一系列推理任务中的实验证明了该方法的强大的零射击和少射击能力。

    May, 2023

  • 基于序列标注的少样本关系抽取框架

    本篇论文提出基于序列标注联合提取方法的小样本关系抽取任务，利用少量标注数据解决领域中标注数据不足的问题，并将两种实际序列标注模型应用于这个框架达到了良好的效果。

    Aug, 2022

  • 使用选择性过滤减轻具有误导性的连续思维推理

    通过选择性过滤推理程序（SelF-Reasoner）提高了大型语言模型的链式思考推理能力，进而改进了基于 T5 模型的科学问题、Bluetooth 问题和最后一个字母问题的解答质量。

    Mar, 2024