Großangelegte Schema-basierte Informationsextraktions-Korpus IEPILE: Erschließung eines umfassenden Datensatzes
IEPILE, ein umfassender zweisprachiger (Englisch und Chinesisch) Instruktions-Korpus für Informationsextraktion mit ca. 0,32 Milliarden Token, wurde durch Sammeln und Bereinigen von 33 bestehenden Datensätzen sowie Einführung einer Schema-basierten Instruktionsgenerierung erstellt. Die Verwendung von IEPILE verbessert die Leistung von Großsprachmodellen bei Informationsextraktionsaufgaben, insbesondere in Bezug auf Zero-Shot-Generalisierung.
Objektive Bewertung der Qualität der Informationsextraktion
Die Studie stellt ein automatisches Bewertungsframework vor, um die Qualität und Vollständigkeit der Informationsextraktion mit Hilfe von Large Language Models zu messen, insbesondere in Situationen, in denen keine manuell gekennzeichneten Referenzdaten zur Verfügung stehen.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Eine neue Methode zur Bewertung von Informationsextraktionsaufgaben
Eine neue Bewertungsmethode, SQC-Score, nutzt Sprachmodelle als Matcher und Natürliche Sprachschlussfolgerung als Ergänzer, um die Ungenauigkeit und Unvollständigkeit herkömmlicher Bewertungsmethoden für Informationsextraktionsaufgaben zu beheben.
Effiziente Erkennung verschachtelter Ereignisse durch Identifizierung von Pivot-Elementen
Das Modell PerNee extrahiert verschachtelte Ereignisse hauptsächlich durch die Erkennung von Pivot-Elementen, die gleichzeitig als Argumente äußerer Ereignisse und als Auslöser innerer Ereignisse fungieren.
Ein effizientes und universelles Informationsextraktionsframework mit Chat-Unterstützung
Ein End-to-End-Framework für die Chat-gestützte Instruktionsoptimierung zur universellen Informationsextraktion, das sowohl Chinesisch als auch Englisch unterstützt und die Leistung durch die Nutzung von Dialogdaten und Informationsextraktionsdaten gemeinsam verbessert.
Effiziente Informationsextraktion durch Destillation eines Meta-Modells aus großen Sprachmodellen
Durch Destillation eines Meta-Modells aus großen Sprachmodellen können kleine Sprachmodelle effizient an verschiedene Informationsextraktionsaufgaben angepasst werden.
Ein Co-Attention-Netzwerk für die gemeinsame Entitäts- und Beziehungsextraktion
Wir schlagen CARE vor, ein Co-Attention-Netzwerk für die gemeinsame Entitäts- und Beziehungsextraktion, das die Wechselwirkungen zwischen den beiden Teilaufgaben effektiv nutzen kann.
Effiziente und verantwortungsvolle Informationsextraktion aus HCI-Forschungsliteratur mithilfe von Large Language Models
Unser System kombiniert fortschrittliche Large Language Models mit strukturierter Textanalyse, um Informationen aus HCI-Forschungsartikeln effizient und genau zu extrahieren und zu interpretieren, um die Literaturrecherche in diesem Bereich zu verbessern.
Herausforderungen und Grenzen eines einheitlichen Ansatzes für die Informationsextraktion: Eine Untersuchung von Definitionsverzerrungen
Definitionsverzerrungen in der Informationsextraktion können die Leistung von Unified Information Extraction (UIE) und Large Language Models (LLMs) beeinträchtigen. Diese Verzerrungen treten sowohl zwischen verschiedenen Informationsextraktionsdatensätzen als auch zwischen Informationsextraktionsdatensätzen und Instruktionsfeintunedatensätzen auf.
Selbstverbesserung für Zero-Shot-Named-Entity-Erkennung mit großen Sprachmodellen
Ein trainingsfreier selbstverbessernder Rahmen, der die Selbstlernfähigkeit großer Sprachmodelle nutzt, um die Leistung der Zero-Shot-Named-Entity-Erkennung erheblich zu verbessern.
© 2024 by Linnk AI