-
题名基于大语言模型的中文开放领域实体关系抽取策略
- 1
-
-
作者
龚永罡
陈舒汉
廉小亲
李乾生
莫鸿铭
刘宏宇
-
机构
北京工商大学计算机与人工智能学院
-
出处
《计算机应用》
北大核心
2025年第10期3121-3130,共10页
-
基金
2024北京工商大学研究生教育教学成果培育项目(19008024042)。
-
文摘
大语言模型(LLM)在中文开放领域的实体关系抽取(ERE)任务中存在抽取性能不稳定的问题,对某些特定领域文本和标注类别的识别精准率较低。因此,提出一种基于LLM的中文开放领域实体关系抽取策略——基于LLM多级对话策略(MLDS-LLM)。该策略利用LLM优秀的语义理解和迁移学习能力,通过多轮不同任务的对话实现实体关系抽取。首先,基于开放领域文本结构化逻辑和思维链(CoT)机制,使用LLM生成结构化摘要,避免模型产生关系、事实幻觉和无法兼顾后文信息的问题;其次,通过文本简化策略并引入可替换词表,减少上下文窗口的限制;最后,基于结构化摘要和简化文本构建多级提示模板,使用LLaMA-2-70B模型探究参数temperature对实体关系抽取的影响。测试了LLaMA-2-70B在使用所提策略前后进行实体关系抽取的精准率、召回率、调和平均值(F1)和精确匹配(EM)值。实验结果表明,在CL-NE-DS、DiaKG和CCKS2021等5个不同领域的中文数据集上,所提策略提升了LLM在命名实体识别(NER)和关系抽取(RE)上的性能。特别是在专业性强且模型零样本测试结果不佳的DiaKG和IEPA数据集上,在应用所提策略后,相较于少样本提示测试,在NER上模型的精准率分别提升了9.3和6.7个百分点,EM值提升了2.7和2.2个百分点;在RE上模型的精准率分别提升了12.2和16.0个百分点,F1值分别提升了10.7和10.0个百分点。实验结果验证了所提策略能有效提升LLM实体关系抽取的效果并解决模型性能不稳定的问题。
-
关键词
大语言模型
中文开放领域
命名实体识别
关系抽取
提示学习
-
Keywords
Large Language Model(LLM)
Chinese open-domain
Named Entity Recognition(NER)
Relation Extraction(RE)
prompt learning
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
