Enhancing Software-Related Information Extraction via Single-Choice Question Answering with Large Language Models

本文描述了我们参与软件提及消歧（SOMD）的共享任务，重点是通过使用生成式大型语言模型（LLM）的单选问题回答，提高学术文本中关系抽取的效果。该方法优先使用GLM的上下文学习能力来提取与软件相关的实体及其描述性属性，例如分布式信息。我们的方法使用检索增强生成（RAG）技术和GLM进行命名实体识别（NER）和属性NER，以识别提取的软件实体之间的关系，为分析学术文献中的软件引用提供了结构化的解决方案。本文详细描述了我们的方法，展示了如何在单选QA范式中使用GLM可以极大地增强IE方法。我们参与SOMD共享任务突显了精确的软件引用实践的重要性，并展示了我们的系统克服了消歧和提取软件提及之间关系的挑战的能力。这为未来的研究和发展奠定了基础。

本文旨在通过使用生成式大型语言模型（LLMs）和单选问题-回答方法，提高学术文本中关系提取的能力，以识别软件引用中的实体和它们的描述属性。

本文使用检索增强生成（RAG）技术和LLMs用于命名实体识别（NER）和属性NER，以识别提取的软件实体之间的关系，为分析学术文献中的软件引用提供了结构化的解决方案。

本文详细描述了使用GLMs在单选QA范式中的方法，展示了它如何极大地增强IE方法。本文的亮点在于其使用的方法可以更好地识别软件引用中的实体和属性，并提供了一个结构化的解决方案。

最近的相关研究包括：1）《A Survey on Relation Extraction》；2）《Survey on Neural Relation Extraction》；3）《A Survey of Named Entity Recognition and Classification》等。