Cascading Large Language Models for Salient Event Graph Generation

从长篇文档中生成事件图谱是具有挑战性的，因为涉及多个任务的固有复杂性，如检测事件、识别它们之间的关系以及将非结构化输入与结构化图谱协调一致。最近的研究通常认为所有事件具有相同的重要性，未能区分对于理解叙述至关重要的显著事件。本文提出了CALLMSAE，这是一个用于生成突出事件图谱的级联大语言模型框架，利用了LLM的能力，并消除了昂贵的人类注释的需求。我们首先通过提示LLM生成摘要来识别显著事件，从中识别显著事件。接下来，我们开发了一个迭代的代码细化提示策略来生成事件关系图，删除虚假的关系并恢复缺失的边缘。在LLM生成的图上微调上下文化图生成模型优于在CAEVO生成的数据上训练的模型。在人类注释的测试集上进行的实验结果表明，所提出的方法生成了突出且更准确的图谱，优于竞争基线。

论文旨在解决从长文档中生成事件图的挑战，包括检测事件、识别它们之间的关系以及将非结构化输入与结构化图形相协调。同时，论文试图区分重要的事件，以便更好地理解叙述。

论文提出了一个名为CALLMSAE的框架，利用LLMs的能力，通过迭代代码细化提示策略生成事件关系图，并消除虚假关系和恢复缺失的边缘。通过对LLM生成的图进行微调，超越了在CAEVO生成的数据上训练的模型。这个方法生成的图更准确，比竞争基线效果更好。

该论文通过调用LLMs生成摘要来确定重要的事件，而无需昂贵的人类注释。实验结果表明，该方法生成的事件图更准确，并超越了竞争基线。论文使用的数据集和开源代码也值得关注。

最近的相关研究包括：《Event Extraction and Representation Learning from Natural Language Text》、《Event Extraction from Text Using Conditional Random Fields》、《A Survey of Event Extraction Methods from Text for Decision Support Systems》等。