ChatUIE: Exploring Chat-based Unified Information Extraction using Large Language Models

最近大型语言模型的进展在一般聊天方面表现出色。然而，它们在特定领域的能力，特别是在信息提取方面，存在一定的局限性。以前的基于提示的方法在从偏离已知模式或指令的自然语言中提取结构化信息方面存在挑战。这促使我们探索以聊天为基础的语言模型中的特定领域建模，作为从自然语言中提取结构化信息的解决方案。在本文中，我们介绍了ChatUIE，这是一个建立在ChatGLM之上的创新统一信息提取框架。同时，采用强化学习来改进和对齐涉及混淆和有限样本的各种任务。此外，我们还整合了生成约束，以解决生成输入中不存在的元素的问题。我们的实验结果表明，ChatUIE可以显著提高信息提取的性能，但会略微降低聊天能力。

探索领域特定的聊天语言模型中提取结构化信息的方法

使用强化学习改进ChatGLM模型，提高信息提取性能并解决生成元素不在输入中的问题

论文提出ChatUIE框架，使用强化学习提高各种任务的性能，同时整合生成约束以解决生成问题，实验结果表明ChatUIE可以显著提高信息提取性能

最近的相关研究包括《Large-Scale QA-SRL Parsing》、《A Survey of Neural Network-Based Named Entity Recognition》等