论文阅读_基本于文本嵌入的信息提取

英文名：Embedding-based Retrieval with LLM for Effective Agriculture Information Extracting from Unstructured Data 中文名：基于嵌入的检索，LLM 从非结构化数据中提取有效的农业信息 地址: https://arxiv.org/abs/2308.03107 时间：2023-08-06 (v1) 作者：Ruoling Peng, Kang Liu, Po Yang, Zhipeng Yuan, Shunbao Li 机构：谢菲尔德大学 正文：4 页半

1 读后感

本文讨论了在将文本文件结构化过程中遇到的一类问题：如何规范化具有一定规律但又不完全符合定式的文档。这篇文章偏重应用，包含了大量具体的实验和设计过程，而不是纸上谈兵。文章内容巧妙结合了一些知识，同时保持了通用性。

作者对相对通用的技术进行了限制优化，并应用于一个小的领域。此前需要复杂设计和编码才能完成的任务，现在全部由 LLM 实现。具体方法包括编写一些行业相关的提示词和后处理步骤，然后调用 LLM 将结构化文本转换为结构化文件。在这一过程中，嵌入技术起到了存储数据和通过含义提取特征（而非关键字硬匹配）的作用。

其中比较有趣的一点是：对于一些难以设定的阈值，作者设计了与用户进行几轮交互以确定阈值。尽管这种方法看起来不高级，但确实实用。

2 摘要

目标: 解决农民难以准确识别害虫的问题。探索使用领域无关的通用预训练大型语言模型（LLM）从农业文档中提取结构化数据，以实现无人或最小干预。

方法: 提出了 FINDER 系统，方法包括使用基于嵌入的检索进行文本检索和过滤，然后使用 LLM 问答自动从文档中提取实体和属性，并将它们转换为结构化数据。

结果: 与现有方法相比，该方法在基准测试中实现了更好的准确性，并保持了效率。

3 引言

信息提取（IE）是从非结构化文本中提取信息并将其转换为结构化数据的过程。文档在原始形式下无法轻松分析或查询，因此需要进行信息提取才能在应用程序中使用。传统的 IE 通常需要针对特定领域进行训练，并依赖手工规则进行提取。

4 FINDER

IE 任务被分解成一个四阶段、多轮的问答过程，穿插 EBR 来提取相关文本。这样可以避免 token 限制，降低成本。

• 第一阶段：系统搜索用于描述文本中实体的单词。

• 第二阶段：系统标识所有已描述的实体。

• 第三阶段：系统提取描述性词所表示的属性。

• 第四阶段：系统在文本中搜索描述这些属性的词，并将它们绑定到实体，形成结构化数据。

最终，系统输出包含所有实体及其属性和描述的 JSON 文件集合。

4.1 EBR 过滤器

输入的文档被分成小块，矢量化并存储在矢量数据库中。基于嵌入的检索（EBR）允许相似的文档在向量空间中更接近；可以通过计算文档和搜索内容之间的距离来确定相似性，从而完成检索任务。

使用一些通用词查询数据库，例如：“外观、标识”。此查询应执行 k 最近邻搜索，并返回多个最可能的结果及其与查询词的距离。然而，这些结果可能包含不相关的内容，因为没有标准距离来过滤它们。

按距离从最小到最大进行排名，并应用类似于二进制搜索的过程（折半查找）。该列表根据距离的中位数分为两组：包含较短距离的集合称为集合 A，另一组称为集合 B。提取位于中间位置的结果，与用户交互。如果中位数位置的结果满足条件，则在集合 B 中重复此过程；如果不满足，则在集合 A 中重复此过程。

效果满意度取决于用户，一般重复两三次即可找到合理的阈值。

4.2 第一阶段

将 EBR 返回的过滤文件作为数据传给 LLM，识别文本中的所有描述性单词，并以列表形式返回。

4.3 第二阶段

此阶段的目标是将从阶段 1 收集的描述性单词转换为属性。

LLM 可能会为相似的描述性词汇提供类似但不完全相同的属性。为了解决这个问题，可以汇总所有识别出的属性，并使用 LLM 进行过滤，保留意义相似的最常见属性。这种方法有助于避免冗余，同时尽量减少成本增加。

4.4 第三阶段

利用 LLM 从文本中提取主题，这对应于自然语言处理（NLP）中的命名实体识别（NER）技术。FINDER 在处理与农业和昆虫相关的信息时，只关注物理对象。即使存在许多实体，提取的唯一实体是成虫和幼虫，而其他如触角、腿、头部应被忽略。

4.5 第四阶段

EBR 过滤器再次被使用。根据上述步骤获得的结果，可以识别原始数据中描述的可能属性和实体列表。然后，将包含被调查实体的所有句子以及我们旨在识别的属性提交给 LLM。LLM 的作用是匹配实体和属性。

5 实验

系统的流水线由六部分组成，其中两部分是 EBR 滤波算法，最后一步是结果输出。第二阶段是属性提取，第三阶段是实体提取，第四阶段是最终属性 - 实体匹配，这三个阶段都使用 LLM。实验将分别评估这三个部分的性能。

LLM 使用的是 gpt-3.5-turbo，人工评估员将评估 LLM 输出的“真”或“假”。

Precision AC. 和 Recall AC. 是具有可接受答案的精度/召回率。答案由人工检查，并与人工注释的答案进行比较