基于 LLM 的原子命题帮助弱提取器：评估三元组提取的命题器

从自然语言构建知识图需要从复杂的、信息密集的句子中提取结构化的三元组。在本文中，我们研究将文本分解为原子命题（最小的、语义自治的信息单元）是否可以改进三元组提取。我们将 MPropositionneur-V2 引入到 Qwen3-0.6B 架构中，这是一个涵盖六种欧洲语言的小型多语言模型，由 知识蒸馏 从 Qwen3-32B 训练到 Qwen3-0.6B 架构中，并评估其与两种提取范式的集成：以实体为中心 (GLiREL) 和生成式 (Qwen3)。 SMiLER、FewRel、DocRED 和 CaRB 上的实验表明，原子命题有利于较弱的提取器（GLiREL、CoreNLP、0.6B 模型），提高关系召回率，并在多语言环境中提高整体准确性。对于更强大的 LLM，后备组合策略可以恢复实体召回损失，同时保留关系提取的收益。这些结果表明原子命题是一种可解释的中间数据结构，它补充了提取器而不取代它们。