IJCAIApr, 2024

大型语言模型在对话关系提取中的实证分析

PDF
TL;DR对话关系提取（DRE）在提取对话中两个参数之间的关系方面比标准的关系提取更具挑战性，该研究发现大语言模型（LLMs）能够显著缓解现有 DRE 方法中的两个问题，通过提高模型规模可以显著提升 DRE 性能，对长且稀疏的多轮信息进行有效捕捉，并在全局对话和部分对话设置下均表现出竞争力强、制胜优势的性能。
dialogue relation extractionlong and sparse multi-turn informationlarge language modelsdre performancepartial dialogues
发现论文，激发创造
  • 基于大语言模型的远程监督半自动文档级关系抽取数据增强

    通过集成大型语言模型和自然语言推理模块，我们提出一种自动标注方法来生成关系三元组，从而增强文档级关系数据集，我们通过介绍增强的数据集 DocGNRE 展示了我们方法的有效性，该方法在重新注释众多长尾关系类型方面表现出色，并且在推进广义语言语义理解方面提供了实际好处。

    Nov, 2023

  • AutoRE：基于大型语言模型的文档级关系抽取

    通过引入 AutoRE 模型和 RHF (Relation-Head-Facts) 的新型 RE 提取范式，结合 QLoRA (Parameters Efficient Fine Tuning) 算法构建了一个易于扩展的 DocRE 框架，在 RE-DocRED 数据集上展现了最佳性能，超过 dev 和 test 集合上分别为 TAG 10.03% 和 9.03% 的最新结果。

    Mar, 2024

  • 低资源情境下，LLM 在关系抽取中的表现如何？综合评估

    该研究构建了十个低资源语言的关系抽取数据集，并利用语言困惑度对翻译数据进行过滤，最后在这些数据集上评估了开源大型语言模型的性能。

    Jun, 2024

  • 基于对话的关系抽取

    本文介绍了第一个人工注释的基于对话的关系抽取（RE）数据集 DialogRE，用于支持在对话中预测两个参数之间的关系，尤其是涉及多个句子的跨句子 RE 任务，并基于分析指出演讲者相关信息在该任务中发挥了关键作用。在提出一个新的评估指标以评估在会话环境中进行 RE 方法的性能之后，本文研究了几种常用的 RE 方法在 DialogRE 数据集上的表现，并通过实验证明，最佳表现模型的扩展可以在标准和会话环境的评估设置中都取得收益。

    Apr, 2020

  • 使用文档级异构图注意力网络进行对话关系抽取

    本研究提出了一种基于图注意力网络的对话关系提取方法，该方法能够有效捕捉对话中不同实体对之间的关系和解释人际关系，从而使得对话数据更好地用于构建知识图谱和开发智能对话系统。

    Sep, 2020

  • 在检索增强生成框架中使用经过微调的大型语言模型进行关系抽取

    Fine-tuned large language models integrated into the Retrieval-Augmented-based approach demonstrate exceptional performance in identifying implicit relations, surpassing previous results on SemEVAL and achieving substantial gains on TACRED, TACREV, and Re-TACRED datasets.

    Jun, 2024

  • 把握要点：为零 shot 关系抽取量身定制大型语言模型

    通过使用语言模型生成初始种子实例并结合反馈进行改进，在关系抽取任务中实现零样本学习，取得了较基准方法更好的性能。

    Feb, 2024

  • GPT-RE：利用大型语言模型进行关系抽取的上下文学习

    本研究介绍了 GPT-RE，这是一种解决大型语言模型在关系提取中局限性的方法，包括任务特定实体表现的使用和黄金标签引导推理逻辑的使用。该方法在四个数据集上的实验结果表明其超过了 GPT-3 基线并且在 Semeval 和 SciERC 数据集上实现了 SOTA 表现。

    May, 2023

  • 通过相关的可解释触发器和关系名称实现零样本对话关系提取

    本文提出了一种利用触发器捕获能力实现零样本对话关系提取的模型，该模型在使用 DialogRE 数据集进行的实验中取得了显著的改进，为对话关系提取系统的可扩展性和实用性提供了新的方法。

    Jun, 2023

  • 大语言模型时代下关系抽取的再审视

    本文探讨了利用 GPT-3 和 Flan-T5 等大型语言模型来进行关系提取（RE）的问题，通过将关系线性化生成目标字符串的方法进行了序列到序列的任务处理，通过人工评估的方式，在不同程度的监督下评估了它们在标准 RE 任务中的表现，发现通过 GPT-3 进行的少量提示与现有完全监督模型大致相当，而使用 Chain-of-Thought 风格的解释进一步监督和微调后，该模型产生了最优结果。

    May, 2023