Large Language Models for Generative Information Extraction: A Survey

信息抽取（IE）的目标是从自然语言文本中提取结构化知识（如实体、关系和事件）。近年来，生成式大型语言模型（LLM）在文本理解和生成方面表现出了卓越的能力，允许在各种领域和任务中进行泛化。因此，许多作品提出了利用LLM能力并基于生成范式提供IE任务的可行解决方案。为了对LLM在IE任务中的努力进行全面系统的审查和探索，本研究调查了这个领域最近的进展。我们首先通过将这些作品按照各种IE子任务和学习范式进行分类，提供了广泛的概述，然后我们经验性地分析了最先进的方法，并发现了LLM在IE任务中的新兴趋势。在进行了彻底的审查的基础上，我们确定了一些技术见解和有前途的研究方向，值得在未来的研究中进一步探索。我们维护一个公共存储库，并持续更新相关资源：\url{https://github.com/quqxui/Awesome-LLM4IE-Papers}。

本论文旨在综述最近基于生成式大语言模型（LLMs）在信息提取（IE）任务中的应用，探索其在各个子任务和学习范式中的应用，并发现IE任务与LLMs的新趋势。

本论文提出了一种基于生成式LLMs的IE解决方案，通过对LLMs的探索和分析，发现了一些新的技术洞见和研究方向。

论文通过对LLMs在各个IE子任务和学习范式中的应用进行了全面的综述和分类，提出了一种基于生成式LLMs的IE解决方案，并发现了一些新的技术洞见和研究方向。此外，作者还提供了一个公共代码库，并不断更新相关资源。

最近的相关研究包括：《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》、《RoBERTa: A Robustly Optimized BERT Pretraining Approach》、《ERNIE: Enhanced Representation through Knowledge Integration》等。