Na tarefa de extração de relações (RE), os modelos de linguagem grandes (LLMs) mostraram capacidades notáveis em prever relações desconhecidas, oferecendo melhorias significativas em eficiência e flexibilidade em relação aos métodos tradicionais. No entanto, a natureza probabilística do processo de geração nos LLMs pode levar à ocorrência de alucinações, resultando na geração de triplas de relação imprecisas. Para mitigar esse problema, este artigo propõe um novo método fraco supervisionado, Extração de Relações Contrastivas de Atenção Cruzada (CACRE), que visa detectar triplas de relação errôneas geradas pelos LLMs e, em seguida, distinguir efetivamente as válidas. O CACRE aproveita o aprendizado contrastivo e os mecanismos de atenção cruzada. Especificamente, o aprendizado contrastivo é aplicado para distinguir entre triplas de relação positivas e negativas, melhorando a capacidade de extração de características do modelo ao aprender características discriminativas. Subsequentemente, um mecanismo de atenção cruzada é empregado para capturar as associações semânticas entre textos e triplas, melhorando assim a capacidade do modelo de entender e extrair informações do conteúdo de entrada. Resultados experimentais no conjunto de dados DuIE2.0 e no conjunto de dados TACRED demonstram que o CACRE supera significativamente os LLMs de referência, com melhorias médias de 12% e 8% na precisão, respectivamente.
Hu et al. (qui,) estudaram essa questão.