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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“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，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】