计算机应用

作者：龚永罡, 陈舒汉, 廉小亲, 李乾生, 莫鸿铭, 刘宏宇

单位：北京工商大学 计算机与人工智能学院，北京 100048

关键词：大语言模型,中文开放领域,命名实体识别,关系抽取,提示学习

基金：2024北京工商大学研究生教育教学成果培育项目(19008024042)

大语言模型（LLM）在中文开放领域的实体关系抽取（ERE）任务中存在抽取性能不稳定的问题，对某些特定领域文本和标注类别的识别精准率较低。因此，提出一种基于LLM的中文开放领域实体关系抽取策略——基于LLM多级对话策略（MLDS-LLM）。该策略利用LLM优秀的语义理解和迁移学习能力，通过多轮不同任务的对话实现实体关系抽取。首先，基于开放领域文本结构化逻辑和思维链（CoT）机制，使用LLM生成结构化摘要，避免模型产生关系、事实幻觉和无法兼顾后文信息的问题；其次，通过文本简化策略并引入可替换词表，减少上下文窗口的限制；最后，基于结构化摘要和简化文本构建多级提示模板，使用LLaMA-2-70B模型探究参数temperature对实体关系抽取的影响。测试了LLaMA-2-70B在使用所提策略前后进行实体关系抽取的精准率、召回率、调和平均值（F1）和精确匹配（EM）值。实验结果表明，在CL-NE-DS、DiaKG和CCKS2021等5个不同领域的中文数据集上，所提策略提升了LLM在命名实体识别（NER）和关系抽取（RE）上的性能。特别是在专业性强且模型零样本测试结果不佳的DiaKG和IEPA数据集上，在应用所提策略后，相较于少样本提示测试，在NER上模型的精准率分别提升了9.3和6.7个百分点，EM值提升了2.7和2.2个百分点；在RE上模型的精准率分别提升了12.2和16.0个百分点，F1值分别提升了10.7和10.0个百分点。实验结果验证了所提策略能有效提升LLM实体关系抽取的效果并解决模型性能不稳定的问题。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期