| 王展,漆桂林,高影繁,王莉军,周禹安,梅书睿.基于大语言模型的实体关系抽取研究综述[J].情报工程,2025,11(3):068-077 |
| 基于大语言模型的实体关系抽取研究综述 |
| A Review of Entity Relation Extraction Based on Large Language Models |
| |
| DOI： |
| 中文关键词: 实体关系抽取；大语言模型；命名实体识别 |
| 英文关键词: Entity Relation Extraction; Large Language Models; Named Entity Recognition |
| 基金项目:2024 年富媒体数字出版内容组织与知识服务重点实验室开放基金“知识图谱增强大模型技术研究”（ZD2024-04/01）。 |
| 作者 | 单位 | | 王展 | 东南大学计算机科学与工程学院 南京 211189 | | 漆桂林 | 1.东南大学计算机科学与工程学院 南京 211189；5.富媒体数字出版内容组织与知识服务重点实验室 北京 100038 | | 高影繁 | 2.中国科学技术信息研究所 北京 100038；5.富媒体数字出版内容组织与知识服务重点实验室 北京 100038 | | 王莉军 | 2.中国科学技术信息研究所 北京 100038；5.富媒体数字出版内容组织与知识服务重点实验室 北京 100038 | | 周禹安 | 陕西科技大学电子信息与人工智能学院 西安 710016 | | 梅书睿 | 阿德莱德大学数学科学学院 阿德莱德 5005 |
|
| 摘要点击次数: 89 |
| 全文下载次数: 40 |
| 中文摘要: |
| [目的/意义]针对实体关系抽取这一文本挖掘和信息抽取的核心任务，探讨其在文本建模中自动识别实体间语义关系的应用与挑战。传统技术在少样本场景下效果受限，无法满足复杂任务需求。近年来，基于大语言模型（LLMs）的实体关系抽取技术因其强大的泛化能力和低监督数据依赖，成为研究的前沿。[方法/过程]系统综述了大语言模型在实体关系抽取中的应用，涵盖命名实体识别、关系抽取及实体关系联合抽取三大任务。重点分析了模型的应用框架、关键技术和在不同任务中的表现。同时，结合现有研究，展望了实体关系抽取的数据增强等领域的发展潜力。[结果/结论]大语言模型在实体关系抽取中展现了强大的性能，尤其在低资源场景下显著降低了对标注数据的依赖，拓宽了技术的适用范围。 |
| 英文摘要: |
| [Objective/Significance] This study focuses on entity relation extraction, a core task in text mining and information extraction, to explore its applications and challenges in modeling text and automatically identifying semantic relationships between entities. Traditional methods show limited effectiveness in low-resource scenarios and fail to meet the demands of complex tasks. Recently, entity relation extraction techniques based on large language models (LLMs) have emerged as a research frontier due to their strong generalization capabilities and low reliance on supervised data. [Methods/Processes] This paper systematically reviews the applications of LLMs in entity relation extraction, covering three main tasks: named entity recognition,relation extraction, and joint entity-relation extraction. It focuses on analyzing the application frameworks, key techniques, and performance of models across different tasks. Additionally, it discusses potential developments in data augmentation on existing research. [Results/Conclusions] LLMs demonstrate strong performance in entity relation extraction, particularly in significantly reducing dependency on annotated data in low-resource scenarios, thereby expanding the applicability of the technology. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|
