利用微调大语言模型的检索增强文档级多事件抽取

摘要

过去对于文档级事件抽取的研究为了提升对长文本的整体理解能力，需要通过实体识别尽可能地获取全部的可能论元.这对于包含了很多数值词的金融文档级数据而言是一个挑战，实体识别效果往往不理想，错误会传播到后续的事件解码任务.本文提出了一种针对文档级、多事件抽取任务的新方法(RADME),该方法结合了贝叶斯方法实现高效的检索增强技术，并利用了微调大语言模型处理长文本的优势，该方法缩小事件类型检索范围，并从知识库中检索和输入文本最相似的文档的事件类型作为大语言模型输入参考，有效地捕捉全局事件信息.实验结果表明，RADME在两个公共数据集上的F1分数超越了之前最先进的基线方法，分别提升了3.2%和16.5%,证实了该方法的有效性和优越性.

关键词

文档级事件抽取 / 大语言模型 / 监督微调 / 检索增强生成