《Large Language Models for Generative Information Extraction: A Survey》阅读笔录

本文主要是介绍《Large Language Models for Generative Information Extraction: A Survey》阅读笔录，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文地址：Large Language Models for Generative Information Extraction: A Survey

前言

映像中，比较早地使用“大模型“”进行信息抽取的一篇论文是2022年发表的《Unified Structure Generation for Universal Information Extraction》，也是我们常说的UIE模型，其主要在T5-v1.1模型的基础上训练一个Text to structure 的UIE基座模型，然后在具体的业务上再进行Fine-tuning。T5也算是比较早期的的大语言模型了。

时至今日，chatgpt问世后，各种大模型也不断涌现。大模型在理解能力和生成能力上表现出了非凡的能力。也因为LLM有这么强大的能力，业界已经提出了许多工作来利用 LLM 的能力，并为基于生成范式的 IE 任务提供一些可行的解决方案。下面我们就跟着《Large Language Models for Generative Information Extraction: A Survey》来看看LLM在IE任务的一些任务上是如何实现的。

信息抽取回顾

信息提取 (IE) 是自然语言处理中的一个关键领域，它将纯文本转换为结构化知识。IE 是对各种下游任务的基本要求，例如知识图谱构建、知识推理和问答等。常见的IE任务主要包含命名实体识别NER，关系抽取RE，事件抽取EE。传统的信息抽取主要使用序列标注、指针抽取等方法从原文中提取(带有抽取元素location)。

LLM时代的信息抽取（生成式）

生成式的信息提取，可以建模成如下公式：

在这里插入图片描述
公式中的参数也比较好理解：

$\theta$ LLMs参数，可以固定也可以继续训练
$X$ 待提取的文本
$Y$ 预期生成后的结果
$P$ ，LLM时代比较有特色的参数，就是基于输入 $X$ 的提示prompt或者说是指令instructions

目标就是最大化最大化这个条件概率。对于不同的IE子任务来说，虽然输入 $X$ ，但是最终期望LLM输出的结果 $Y$ 有所不同，：

NER，NER包含两个子任务：实体识别出来和将识别出来的实体进行下一步的分类
RE，实体识别使用关系抽取的基础，关系抽取可以根据具体的业务进行分类：1.关系分类，2.关系三元组的识别，识别头尾实体以及对应的关系；3.更加严格的识别头尾实体类型以及对应的关系
EE，事件抽取可以分为两个子任务：1.事件检测（识别事件触发词以及触发词的类型）;2.事件要素提取

下面看看使用LLM做几个任务的方法的概览如下：
在这里插入图片描述

NER

主流的方法在主流的数据集上的表现情况如下：
在这里插入图片描述

表说明：

Cross-Domain Learning (CDL),跨领域学习
Zero-Shot Prompting (ZS Pr)，
In-Context Learning (ICL)
Supervised Fine-Tuning (SFT)
Data Augmentation (DA).
Uni. ? 表示模型是否是统一的抽取模型（完成多种任务）

可以得出的结论是：

few-shot和zero-shot相比于SFT和DA还是有比较大的差距；
即使都是用ICL,GPT-NER与其他同样使用ICL的方法相比差距小的有6%，大的能够达19%
相比于ICL，使用SFT的方法，即使使用的基座模型参数有的差距会有很大，但是最后的指标却差距不大

RE

一些主要的方法实现的效果如下：
在这里插入图片描述
可以得出的结论是：

统一抽取的模型更偏向处理复杂的关系（头尾实体、实体类型，实体关系）；
特定的任务则不是统一的抽取方式，不过解决的是比较简单关系分类；
与NER相比关系抽取的效果比NER差不少，提升的空间还很大

统一的信息抽取

该框架旨在为所有IE任务建模，获取IE的通用能力，并学习多个任务之间的依赖关系。现有的研究将这种Uni-IE划分为：natural language-based LLMs (NL-LLMs) 和 code-based LLMs (code-LLMs)，参见下图：
在这里插入图片描述

NL-LLMs：比较早的还是文中开头中提到的UIE模型，也就是一种text2structure结构。此外还有：InstructUIE、ChatIE等。

其中UIE《Unified Structure Generation for Universal Information Extraction》，提出一个统一的从文本到结构的生成框架，该框架可对外延结构进行编码，并通过结构化提取语言捕捉常见的IE能力。
在这里插入图片描述
InstructUIE《InstructUIE: Multi-task Instruction Tuning for Unified Information Extraction》,通过结构化专家编写的指令来微调LLM，从而增强UIE，以一致地模拟不同的IE任务并捕捉任务间的依赖性.

ChatIE《Zero-Shot Information Extraction via Chatting with ChatGPT》, 探索了如何在zero-shot提示中使用GPT3和ChatGPT等LLM，将任务转化为多轮问题解答问题.
在这里插入图片描述

Code-LLMs：LLM根据需要抽取的文本，将实体和关系放到代码的class中。例如：Code4UIE、CodeKGC、GoLLIE等。

Code4UIE《Retrieval-Augmented Code Generation for Universal Information Extraction》提出一个通用的检索增强代码生成框架，利用Python类来定义模式，并使用上下文学习来生成从文本中提取结构知识的代码
在这里插入图片描述
CodeKGC《CodeKGC: Code Language Model for Generative Knowledge Graph Construction》.利用代码中固有的结构知识，并采用模式感知提示和理性增强生成来提高性能。

不过从上表面的表来看，对于大多数数据集，具有SFT的uni-IE模型在NER、RE和EE任务中优于任务特定模型。

按照学习范式进行分类

学习范式主要分为：SFT、Zero-Shot、Few-Shot、数据增强几类。

SFT：输入所有训练数据来微调llm是最常见和最有前途的方法，它允许模型捕获数据中的底层结构模式，并很好地推广到看不见的IE任务。
Few-Shot：只能访问有限数量的标记示例，这导致了过度拟合和难以捕获复杂关系等挑战。但与小型预训练模型相比，扩大llm的参数使它们具有惊人的泛化能力，使它们能够在少数场景中也能获得出色的性能。
Zero-Shot：主要挑战在于使模型能够有效地泛化它尚未训练过的任务和领域，以及对齐预训练的LLM范式。由于大量的知识嵌入其中，llm在未知任务的zero-shot场景中表现出令人印象深刻的能力
数据增强：数据增强包括生成有意义和多样化的数据，以有效地增强训练示例或信息，同时避免引入不现实的、误导性的和偏移的模式。

特别要说的是数据增强这块，信息抽取最大的问题就是训练数据的问题，数据增强生成有意义的多样化数据，以有效增强训练示例或信息，同时避免引入不切实际、误导性和偏移的模式。主流方法可大致分为3种策略：

在这里插入图片描述

数据标注，使用LLM直接生成带有标签的数据；
LLMaAA《LLMaAA: Making Large Language Models as Active Annotators》,通过在主动学习环路中使用LLMs作为标注器来提高准确性和数据效率，从而优化标注和训练过程.
知识检索，该策略从 LLM 中检索 IE 的相关知识；
PGIM《Prompting ChatGPT in MNER: Enhanced Multimodal Named Entity Recognition with Auxiliary Refined Knowledge》为多模态NER提出了一个两阶段框架，利用ChatGPT作为隐式知识库，启发式地检索辅助知识，以提高实体预判词的效率。
反向生成，这种策略促使LLM根据作为输入的结构数据生成自然文本或问题，与LLM的训练范式保持一致。
SynthIE《Exploiting Asymmetry for Synthetic Training Data Generation: SynthIE and The Case of Information Extraction》使用输入的结构数据生成自然文本。