讲在前面，chatgpt出来的时候就想过将其利用在信息抽取方面，后续也发现了不少基于这种大语言模型的信息抽取的论文，比如之前收集过的：

• https://github.com/cocacola-lab/GPT4IE
• https://github.com/RidongHan/Evaluation-of-ChatGPT-on-Information-Extraction
• https://github.com/cocacola-lab/ChatIE
• Unified Text Structuralization with Instruction-tuned Language Models

接下来继续介绍另一篇论文。

GPT-NER：通过大型语言模型的命名实体识别

GPT-NER: Named Entity Recognition via Large Language Models

https://arxiv.org/pdf/2304.10428v1.pdf

https://github.com/ShuheWang1998/GPT-NER

Part1前言

为什么使用大语言模型在NER上的表现仍然明显低于普遍的基线？

由于NER和LLMs这两个任务之间的差距：前者本质上是一个序列标记任务，而后者是一个文本生成模型。

怎么解决上述的问题呢？

• GPT-NER通过将序列标签任务转换 为一个可以被LLMs轻松适应的生成任务来弥补这一差距，例如， 在输入文本Columbus是一个城市中寻找位置实体的任务被转换为生成文本序列@@Columbus##是一个城市，其中特殊标记@@##标志着要提取的实体。
• 为了有效地解决LLMs的幻觉问题，即LLMs有一个强烈的倾向，即过度自信地将NULL输入标记为实体，我们提出了一个自我验证策略，即提示LLMs询问自己所提取的实体是否符合标记的实体标签。

Part2介绍

GPTNER遵循语境学习的一般范式，可以分解为三个步骤：

• （1）构建提示：对于一个给定的输入句子X，我们为X构建一个提示（用Prompt(X) 来表示）；
• （2）将提示输入到大语言模型得到生成的文本序列W = {w1 ,..., wn };
• （3）将文本序列W转化为实体标签序列，以获得最终的结果。

如图所示：第一句话：你是一个优秀的语言学家；第二句话：任务是从给定的句子中标记xxx实体。接下来是一些例子，然后给树了一些例子。最后再输入自己想要提取实体的句子得到结果。很容易发现，每次只能提取一种实体，因此要提取出所有的实体，必须遍历实体列表。例如GPT-3，对提示的长度有 一个硬性的限制（例如GPT-3的4096个tokens)。鉴于这种有限的标记数量，我们不可能在一个提示中包括对所有实体类型的描述和演示。

1怎么提供实例样本？

如图所示：

• 1、一个已经训练好的ner模型提取训练数据中的实体，并为每一个实体构建(实体，句子)对。
• 2、将句子输入的模型中并获取实体的表示。
• 3、通过knn找到和实体向量最接近的几个邻居，将得到的句子视为样例。

2怎么进行自我验证?

Prompt:
I am an excellent linguist. The task is to label location entities in the given sentence.
Below are some examples.
Input:Columbus is a city
Output:@@Columbus## is a city
Input:Rare Hendrix song sells for $17
Output:
GPT-3 Output:
Rare @@Hendrix## song sells for $17

过度预测是指将不是实体的预测为实体。如上面的例子：Hendrix被识别为一个location实体，这显然是不对的。自我验证策略：给定一个由LLM提取的实体，我们要求LLM进一步验证该提取的实体是否正确，用是或否回答。比如：

“The task is to verify whether the word is a location entity extracted from the given sentence”
(1) “The input sentence: Only France and Britain backed Fischler’s proposal”,
(2) “Is the word "France" in the input sentence a location entity? Please answer with yes or no”.
(3) Yes

同样的，也是根据之前的策略选择样例。

Part3实验

• 模型：GPT-3 (Brown et al., 2020) (davinci-003)
• 最大长度：512
• 温度：0
• top_p：1
• frequency_penalty：0
• presence_penalty：0
• best_of：1

总结一下，利用大语言模型进行信息抽取，大多数都是采用这种类似问答的方式进行的，也就是分为多个步骤。