Decompose, Enrich, and Extract! Schema-aware Event Extraction using LLMs

大型语言模型（LLMs）在处理自然语言数据方面展现出显著的能力，有望从不同的文本来源中提取有效的知识，增强情境感知并支持决策制定。然而，由于其易受幻觉的影响，容易产生与上下文不符的内容，因此引起了人们的担忧。本研究专注于利用LLMs进行自动事件提取，提出了一种新方法来解决幻觉问题，即将任务分解为事件检测和事件参数提取两个步骤。此外，所提出的方法将动态的基于模式的增强检索示例集成到为每个特定查询量身定制的提示中，从而扩展和适应了高级提示技术，如检索增强生成。在著名的事件提取基准测试和合成基准测试的评估结果表明，与基准方法相比，该方法具有优越的性能。

本论文旨在利用大型语言模型（LLMs）自动提取事件，提出了一种新的方法来解决LLMs易于产生幻觉的问题，将任务分解为事件检测和事件参数提取，并将动态模式感知增强检索示例集成到为每个特定查询量身定制的提示中，从而扩展和适应先进的提示技术，如检索增强生成。

本论文提出了一种新的方法来解决LLMs易于产生幻觉的问题，将任务分解为事件检测和事件参数提取，并将动态模式感知增强检索示例集成到为每个特定查询量身定制的提示中，从而扩展和适应先进的提示技术，如检索增强生成。

本论文的实验结果表明，与基线方法相比，所提出的方法在突出事件提取基准测试方面表现出优越的性能。此外，该论文还使用了多个数据集进行评估，并提供了开源代码。值得进一步研究的工作包括如何进一步提高事件检测和参数提取的准确性，以及如何将所提出的方法应用于更广泛的自然语言处理任务中。

最近的相关研究包括“Neural Event Extraction using Semi-supervised Learning and Cross-task Pre-training”和“End-to-End Neural Event Extraction with Structured Prediction Cascades”。