ChatIE（LLM大模型用于信息抽取）

Zero-Shot Information Extraction via Chatting with ChatGPT

• paper：https://arxiv.org/abs/2302.10205

利用ChatGPT实现零样本信息抽取（Information Extraction，IE），看到零样本就能大概明白这篇文章将以ChatGPT作为一个基座然后补全前后端，来实现抽取任务。主要针对抽取中的三个重要任务：

对于句子：《我的爱情日记》是1990年在北京上映的中国…

• 实体关系三元组抽取任务，如（我的爱情日记，上映日期，1990年）
• 命名实体识别任务，如人物的实体有（吴天戈，…）
• 事件抽取任务，如事件是（产品行为-上映）

ChatIE如下图所示，

具体来说，ChatIE实现零样本的策略是将其任务转化为具有多轮提问-回答问题，主要分为两个阶段：

• 第一阶段，找出句子中可能存在的相应元素类型（对应三个任务分别为实体、关系或事件），通过这种方式可以提前过滤到不需要的信息，以减少搜索和计算复杂度。
• • 如上图中的上半部分，输入给chatGPT的信息为：“给定的句子为：sentence。给定实体/关系/事件类型列表：[…]。在这个句子中，可能包含了哪些实体/关系/事件类型”，然后得到一些关于人物/地点的实体，上映时间/导演等关系，上映等具体事件。
• 第二阶段，对第一阶段识别出的每个元素按照任务执行相应的信息抽取。由于有些问题比较复杂，所以作者们设计了问题模板链，即某个元素的抽取可能取决于前一些元素的抽取。
• • 如上图中的下半部分，分不同的子任务处理方法不同。

# 命名关系
# 先定义实体的类别
df_nert = {
    'chinese': ['组织机构', '地点', '人物']
}
# 再输入到prompt中
ner_s1_p = {
    'chinese': '''给定的句子为："{}"\n\n给定实体类型列表：{}\n\n在这个句子中，可能包含了哪些实体类型？\n如果不存在则回答：无\n按照元组形式回复，如 (实体类型1, 实体类型2, ……)：'''
}
1
2
3
4
5
6
7
8
9

# 关系抽取
# 先定义抽取的schema
df_ret = {
	 'chinese': {'所属专辑': ['歌曲', '音乐专辑'], '成立日期': ['机构', 'Date'], ....}
}
# 再输入到prompt中
re_s1_p = {
    'chinese': '''给定的句子为："{}"\n\n给定关系列表：{}\n\n在这个句子中，可能包含了哪些关系？\n请给出关系列表中的关系。\n如果不存在则回答：无\n按照元组形式回复，如 (关系1, 关系2, ……)：'''
}
1
2
3
4
5
6
7
8
9

# 事件抽取
# 先事件的schema
df_eet = {
    'chinese': {'灾害/意外-坠机': ['时间', '地点', '死亡人数', '受伤人数'],...}
}
# 再输入到prompt中
ee_s1_p = {
    'chinese': '''给定的句子为："{}"\n\n给定事件类型列表：{}\n\n在这个句子中，可能包含了哪些事件类型？\n请给出事件类型列表中的事件类型。\n如果不存在则回答：无\n按照元组形式回复，如 (事件类型1, 事件类型2, ……)：'''
}
1
2
3
4
5
6
7
8
9

代码已经开源，包含了详细的前后端处理。

• https://github.com/cocacola-lab/ChatIE