AI NIP人工智能 用LLM(大模型)进行关系抽取

就现在来说，在NLP领域，大模型（Large Language Models，LLM）已成主导地位，它在很多任务上已经彰显其优势，尤其在传统的生成类任务上。而今天说下LLM在关系抽取任务上的表现。

来自2023 ACL会议的一篇paper<Revisiting Relation Extraction in the era of Large Language Models>，在4个数据集上验证了大模型在关系抽取的效果，并提出LLM+CoT+fine-tuning方式来做关系抽取，能带来更好的效果。下面说下LLM做关系抽取的形式，实验结果，以及LLM+CoT+fine-tuning方法。这里面CoT是指Chain-of-Thought，是GPT3模型中的一种学习推理范式。

抽取形式还是保持传统的三元组形式，只是抽取方法变成生成式，而不是序列标注或者span识别的方式；生成式的方式如下：

Input： Bill Nelson, NASA administrator announced the mars mission today.

output： [(Bill Nelson:Per, Work_For, NASA:Org)...]

结果形式为：[(entity_1:entity_1_type, relation_type, entity_2:entity_2_type),...]，若数据集中只有一种关系，也可以不要relation_type，变成两元组；

在CONLL、ADE、NYT三个关系抽取数据集验证结果如下：

图片

（1）在监督学习下，Flan T5(large)+GPT3-generated CoT 微调方式表现效果最好，在CONLL和NYT数据集都有约4个点的提升，在ADE数据集有近9个点的提升，效果还是非常的明显；

（2）在监督学习下，大模型 Flan T5(large)相比其他小模型，TANL、REBEL等带来的效果并不明显，甚至在有些数据集还不如；

（3）在few-shot，GPT3的结果也很惊艳，在CONLL数据集上，超过传统的模型；ADE数据集上已是很接近，只是在NYT数据集上表现有些差距。原因是NYT数据集相对前两个更复杂些；

（4）最重要的是，不论监督还是few-shot，论文发现带上CoT方式，都能带来很明显的增益。

备注 ：可能有人觉得论文把760M大小的Flan T5（large）当做大模型不妥，这是时间差原因，论文写作时，像LLaMA，ChatGLM这类大模型也没开源，也没法用这些来验证；最重要是论文提出用CoT方式来微调增强关系抽取，这点还是值得借鉴。下面详细说下这个思路。

图片

其做法是在上述的学习范式中，加上一个Explanation，对抽取的结果进行下解释说明，形式如下：

Input： In Colorado , 13 inches of snow in Denver Wednesday prompted officials to close Interstate 270 temporarily.

Target： [(Denver, Located In, Colorado)]

Explanation： -Denver officials closed Interstate 270 in Colorado, consequently we can see that Denver is located in Colorado.

在操作时，人为给一些这样完整的样例，交个GPT3模型，然后其去补充其他数据中的Explanation，这样就收集一版新的数据集，可认为是增强的数据集，接着交给Flan-T5小一点的模型去微调学习。在学习中，输入还是Input，输出Output为：Target+Explanation。

其实Expanation里的内容是对关系类型起着一种解释的作用，尤其当任务中关系类型比较多时，应该帮助更明显。

利用大模型做关系抽取，也出现不一样的错误：

图片

（1）ADE数据集上的，显示客实体识别错误，这是传统模型也会出现测错误；

（2）CoNLL04数据集上，显示关系识别错误，且对主实体进行了多识别，并对单词Ambassador进行了缩写——可理解为生成了不在原文的字符，这是传统抽取方法不会出现的；

（3）在NYT数据集上，出现识别出错误的三元组；

（4）在Out-of-Domain（CoNLL04）数据上，显示关系类型“Shot_By”识别成了“kill”,但整体语义逻辑是对的，这种错误也是传统方法不会出现的；

这里结合个人的观点，说下大模型做关系抽取的优劣：

优势：

（1）泛化能力强，不需要太多监督数据，就能达到不错的效果；

（2）能处理更长的序列，尤其长依赖关系，文档级的关系抽取；

（3）可以同时处理多个任务，关系抽取、NER识别、分类等，减少多个模型维护；

劣势：

（1）训练和推理成本都较高，抽取效率也没传统方法高；

（2）会识别出不在原文里的token或不在关系集合中类似关系；

目前来说，在关系抽取等任务上，大模型还没到完全取代的地步。效率还是目前主要限制因素，个人认为，NLP传统任务融合成一个模型来完成是发展趋势，而这更适合大模型来做。