HCRE：基于 LLM 的基于预测然后验证策略的跨文档关系提取的分层分类

跨文档关系提取（RE）旨在识别位于不同文档中的头实体和尾实体之间的关系。现有方法通常采用“\textit{小语言模型（SLM）+分类器}”的范例。然而，SLM 有限的语言理解能力阻碍了其性能的进一步提高。在本文中，我们进行了初步研究，探索 大语言模型（LLM）在跨文档 RE 中的性能。尽管参数广泛，但我们的研究结果表明 LLM 并未始终超越现有的 SLM。进一步分析表明，表现不佳很大程度上归因于众多预定义关系带来的挑战。为了克服这个问题，我们提出了一种基于 LLM 的跨文档 \underline{RE} (HCRE) 分类模型，该模型由两个核心组件组成：1）用于关系预测的 LLM 和 2）从预定义关系集派生的 \textit{分层关系树}。该树使 LLM 能够执行分层分类，其中目标关系是逐级推断的。由于子节点的数量远小于整个预定义关系集的大小，因此分层关系树显着减少了 LLM 在推理过程中需要考虑的关系选项数量。然而，层次分类引入了跨级别错误传播的风险。为了缓解这个问题，我们提出了一种 \textit{prediction-then-verification} 推理策略，通过每个级别的多视图验证来提高预测可靠性。大量实验表明 HCRE 优于现有基线，验证了其有效性。