ChatIE：基于ChatGPT的Zero-shot信息抽取技术解析与实践

1次阅读

共计 1515 个字符，预计需要花费 4 分钟才能阅读完成。

传统信息抽取（IE）方法通常采用监督学习范式，其性能严重依赖标注数据质量与规模。典型痛点包括：

领域迁移成本高 ：金融领域训练的实体识别模型在医疗文本中 F1 值平均下降 40%-60%
标注周期长 ：构建万级规模的标注数据集通常需要 3 - 6 个月的人工标注周期
schema 僵化 ：新增实体类型或关系类别需重新标注训练数据

方法类型	数据需求	跨领域能力	部署成本
监督学习	数千 + 标注样本	弱	高
Few-shot 学习	数十标注样本	中等	中
ChatIE	零样本	强	低

关键差异在于：

传统方法依赖模式识别，ChatIE 利用 LLM 的语义理解能力
监督学习需要特征工程，ChatIE 通过自然语言指令驱动

采用 schema-guided 的提示模板结构：

def build_prompt(text, schema):
    return f""" 从以下文本中提取指定类型的信息：文本："{text}"

请按 JSON 格式返回结果，包含以下字段：{json.dumps(schema, indent=2, ensure_ascii=False)}
"""

JSON 格式合法性校验
实体边界校正（基于原文字符匹配）
关系置信度过滤（保留 score>0.7 的预测）

import openai
import json

class ChatIE:
    def __init__(self, api_key):
        openai.api_key = api_key

    def extract(self, text, schema):
        prompt = build_prompt(text, schema)

        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.3
        )

        try:
            result = json.loads(response.choices[0].message.content)
            return self._postprocess(result, text)
        except json.JSONDecodeError:
            return self._handle_error(response)

    def _postprocess(self, result, source_text):
        # 实现边界校正等后处理逻辑
        return result

在 ACE2005 测试集上的对比实验：