笔记整理：郭浩文，东南大学硕士，研究方向为水下域专项知识图谱构建

论文链接：https://aclanthology.org/2024.findings-emnlp.769.pdf

发表会议：EMNLP 2024

1. 动机

近年来，LLM在自然语言处理领域取得了显著进展，特别是在zero-shot learning方面，零样本关系抽取的目标是无需通过大量的标注数据，从文本中识别实体之间的关系。利用zero-shot能力有利于减少人工标注成本和提高模型的泛化能力，但是尽管LLM在零样本关系抽取任务中表现出色，但现有方法仍存在一些问题。首先，缺乏详细的上下文提示（prompts），导致模型无法充分理解句子和关系的复杂性。而且由于样本多样性和覆盖范围不足，直接从LLMs生成的样本往往存在实体分布不均匀的问题。最后，现有方法未能充分利用LLMs自身的生成能力来创建针对特定关系的合成样本，导致模型在面对未见过的关系时表现不佳。

*2. 贡献*

****（1）提出了一种新的自我提示框架（****Self-Prompting framework）：该框架通过一个三阶段的多样化方法生成合成样本，这些样本包含特定的关系类型，并作为上下文示例（in-context demonstrations）来指导模型进行关系抽取。

（2）通过实验验证了该框架的有效性：在多个基准数据集上，该框架显著优于现有的基于LLMs的零样本RE方法。

（3）展示了合成样本生成策略的重要性：通过消融实验，证明了关系同义词生成、实体过滤和句子重述等策略对提升模型性能的重要作用。

3. 方法

自我提示框架（Self-Prompting framework）通过一个三阶段的多样化方法来生成合成样本，这些样本用于为大型语言模型（LLMs）提供更具体、更丰富的上下文指导，从而提升其在零样本关系抽取（Zero-shot Relation Extraction）任务中的表现。

图1 模型框架图

**3.1**** **关系同义词生成（*******Relation Synonyms Generation*****）****

在关系抽取任务中，一个关系可能有多种表达方式。例如，“location”关系可以用“situated at“、”found within“或”residing at“等短语来表达。为了扩展关系的语义覆盖范围，认识到数据集的关系的广泛的概念，自我提示框架首先让LLMs为每个目标关系生成多个同义词（synonyms）。对于每个预定义的目标关系，框架提供关系的描述，以帮助LLM更好地理解关系的语义，接着根据关系描述生成一组同义词，这些同义词可以是单个词汇或者是短语，但是都必须与原始的关系语义保持一致，最后整合同义词，生成的同义词与原始关系一起构成一个语义群组（semantic group），用于后续sentence样本的生成，这一步的目的是为了确保模型能理解关系的多种表达方式。

**3.*******2*** ***合成样本生成与实体过滤（*****Synthetic Sample Generation with Entity Filtering*****）***

在生成了关系同义词后，框架利用这些同义词生成包含特定关系的合成样本。每个合成样本包含一个句子和对应的关系三元组（relation triple），例如：（实体1，关系，实体2）LLM根据语义群组生成包含一个关系的句子，并标关系三元组，为了避免生成的样本中实体分布不均匀（例如某些高频实体反复出现），框架引入了一个过滤机制。具体来说：移除包含高频实体的样本（实体出现次数超过设定阈值n/保留包含低频实体的样本，并更新这些实体的出现次数）这一步为了确保合成样本的多样性和平衡性。

**3.*******3*** ***句子重述（*****Sentence Rephrase*****）***

为了进一步增加合成样本的多样性，框架让LLM对生成的句子进行重述（rephrase），生成结构不同但语义相似的句子变体，将生成的句子及其关系三元组输入LLM，要求其根据输入生成多个语义相似但结构不同的重述版本，重述后的句子必须保留原始的关系，但是可以对句子结构和表达方式进行调整。这一步的目的是增加样本的语义多样性和语言复杂性。

**3.*****4*** **zero*****-******shot*****推理阶段****

在给定测试句子的推理阶段，论文的方法检索d个语义相似的样本作为上下文示例。使用句子嵌入模型对测试句子进行编码，并使用余弦相似度从生成的样本集中选择最相似的示例。为了有效地组织检索到的样本，使用了基于相似性分数的排名策略：kNN-augmented Example Selection（KATE）（Liu et al.， 2022a），从最低分到最高分排列样本。该方法将最相关的样本放置在最靠近测试句子的位置，从而优化上下文样本对 LLM 推理过程的影响，是模型更好的进行指令跟随。

图2 KATE架构图

4. 实验

**4*****.*****1**** **主要结果****

本文在多个基准数据集上进行了实验，包括FewRel、Wiki-ZSL、TACRED和SemEval。

• 在Wiki-ZSL数据集上，当未见关系数量为10时，Self-Prompting框架的F1分数达到了77.57%，显著高于其他方法。

• 在FewRel数据集上，Self-Prompting框架在不同数量的未见关系设置下均取得了优异的性能。

• 在TACRED和SemEval数据集上，Self-Prompting框架也展现了强大的性能，分别取得了57.1%和52.7%的F1分数。

表1 Wiki-ZSL 上的主要结果

**4*****.*****2**** **消融实验****

• **移除句子重述（**Sentence Rephrase）会导致精度（Precision）和F1分数略有下降。

• 移除关系同义词生成（Relation Synonyms Generation）则会导致性能显著下降。

• 移除实体过滤（Entity Filtering）会显著影响召回率（Recall），表明实体多样性对关系抽取的重要性。

表2 不同策略在 FewRel 和 Wiki-ZSL 数据集上的性能比较 （m = 10）

5. 总结

论文通过自我提示框架（Self-Prompting framework）提出了一种新的方法，通过关系同义词生成、实体过滤和句子重述等策略，生成高质量、多样化的合成样本。这些样本作为上下文示例，为LLMs提供了更具体、更丰富的指导，从而显著提升了零样本关系抽取的性能。

但是论文还有一些问题：在选择合适的上下文示例时，如果选择不当可能会引入噪声，从而影响LLM的性能。此外，该方法并不能保证也没有验证生成样本的正确性，特别是在特定领域数据上的表现未得到验证，而特定领域的数据生成本身就是一个挑战。

---

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）