ProUIE：基于LLM的通用信息提取的宏观到微观渐进学习方法

基于 LLM 的通用信息提取 (UIE) 方法通常依赖于原始训练数据之外的附加信息，这增加了训练复杂性，但通常产生的收益有限。为了解决这个问题，我们提出了 ProUIE，一种从宏观到微观的渐进式学习方法，可以在不引入任何外部信息的情况下改进 UIE。 ProUIE由三个阶段组成：（i）宏观层面的完整建模（CM），在完整的训练数据上按照其内在难度顺序学习NER、RE和EE，以构建统一的提取基础；（ii）中观层面的简化对齐（SA），对目标格式简化的采样数据进行操作，对结构化输出进行精简和正则化，使其更加简洁和可控；（iii）微观层面的深度探索（DE），逐步应用GRPO对结构单元进行细粒度奖励（SFR），以指导探索并提高绩效。在 36 个公共数据集上进行的实验表明，ProUIE 持续改进了统一提取，在使用较小主干的情况下，平均 NER 和 RE 的性能优于强大的指令调整基线，并且进一步证明了在大规模面向生产的信息提取方面的明显收益。