Retrieval-Augmented Generation-based Relation Extraction

信息抽取（IE）是一种转换过程，通过使用实体和关系抽取（RE）方法，将非结构化文本数据转换为结构化格式。在这个框架中，识别一对实体之间的关系起着至关重要的作用。尽管存在各种关系抽取技术，但它们的有效性严重依赖于标记数据和大量的计算资源。为了解决这些挑战，大型语言模型（LLMs）成为有前途的解决方案；然而，它们可能会因为自己的训练数据而返回虚构的响应。为了克服这些限制，本文提出了基于检索增强生成的关系抽取（RAG4RE）方法，为提高关系抽取任务的性能提供了一条途径。本文评估了我们的RAG4RE方法利用不同LLMs的有效性。通过利用已有的基准测试，如TACRED、TACREV、Re-TACRED和SemEval RE数据集，我们的目的是全面评估我们的RAG4RE方法的有效性。特别是，我们在调查中利用了著名的LLMs，包括Flan T5、Llama2和Mistral。我们的研究结果表明，我们的RAG4RE方法在TACRED数据集及其变体中超越了仅基于LLMs的传统RE方法的性能，特别是显著的。此外，我们的方法在TACRED和TACREV数据集上表现出了卓越的性能，强调了其在自然语言处理中推进RE任务的有效性和潜力。

本文旨在提高关系提取（RE）任务的性能，解决RE技术所面临的数据标注和计算资源等问题。同时，通过利用大型语言模型（LLMs），解决LLMs可能出现的幻觉响应问题。

本文提出了一种基于Retrieved-Augmented Generation的关系提取（RAG4RE）方法，通过利用大型语言模型，将传统RE方法性能提升至更高水平。

本文使用了TACRED、TACREV、Re-TACRED和SemEval RE数据集，评估了RAG4RE方法的有效性。实验结果表明，RAG4RE方法在TACRED数据集及其变体中的表现优于仅基于LLMs的传统RE方法。此外，RAG4RE方法在TACRED和TACREV数据集上的表现也比以往的RE方法更好。

与本文相关的研究包括：《Neural Relation Extraction with Selective Attention over Instances》、《Adversarial Training for Relation Extraction》、《Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification》等。