Page 45 - 2024年第55卷第8期

图 ３ 内隐实体标签的生成流程

得到的类型名称出现次数进行排序，选择 Ｔｏｐ － ｋ类型作为候选
类型。例如，对于＜控制要素（ＸＸ）＞关系，他的尾实体原始标签
为［控制要素］，通过 ｃｈａｔＧＬＭ２ － ６Ｂ的预测，这些尾实体文本被
分类为预报信息、事件、属性等，经过人工审核后，最终保留
了部分［控制要素］标签，并添加了［预报信息］和［事件］作为新
的尾实体标签。
图 ４ 指导 ｃｈａｔＧＬＭ２ － ６Ｂ进行内
２．２．３ 语义关系标签的更名 由于人为设计的标签名存在不确
隐实体标签生成的 ｐｒｏｍｐｔ
定性，可能并非是最适合描述此类关系的标签，例如，在方案
中的水库水位和对应的数值之间仅通过＜属性＞关系标签无法较好地表达水位的上下限关系，因此需要
对［属性］标签进行更名。为此考虑到大语言模型对于文本的理解和生成能力，我们提出了利用大模型
根据实体对之间的语义关系生成新的关系标签的方法来实现关系标签的优化。具体流程如图 ５所示。

图 ５ 语义关系标签的更名

若微调模型识别得到的一类三元组完整度低于阈值，且其头实体类型唯一而尾实体类型不唯一，
则将种子数据集中涉及这类关系的原句和三元组信息抽取出来，并按照尾实体类型进行分组。我们将
带有头尾实体标记的句子作为 ｃｈａｔＧＬＭ２ － ６Ｂ的输入，并要求其预测头尾实体之间的关系，具体 ｐｒｏｍｐｔ
如图 ６所示。在 ｃｈａｔＧＬＭ２ － ６Ｂ的判断结果中，选取同类三元组中出现次数前三的关系名称作为新的候
选标签名。例如，在例句 “ Ａ水库：当 Ａ水库水位超过 １２５ｍ时、低于 １３２．６３ｍ时，视 Ｂ干流水情 Ａ
水库泄洪；” 中，抽取出的三元组为（“水位” ［控制要素］，＜属性 ＞，“１２５ｍ” ［最小值］）。在 ｃｈａｔ
ＧＬＭ２ － ６Ｂ预测关系并排序后，得到新的关系标签＜最小值＞、＜数值＞、＜属性值 ＞。经过人工审核后，
用＜最小值＞作为新标签替代了原始标签得到了新的三元组（“水位” ［控制要素］，＜最小值＞， “１２５ｍ”
［最小值］）。

图 ６ 指导 ｃｈａｔＧＬＭ２ － ６Ｂ进行语义关系标签更名的 ｐｒｏｍｐｔ
— ９ ２ ３ —