SMADE-IE：零样本信息提取的证据驱动辩论的稀疏多智能体框架

使用 大语言模型 (LLM) 的零样本信息提取 (IE) 可以适应新的模式和领域，而无需特定于任务的训练。现有方法主要遵循三个范式。整体提示很有效，但容易出现遗漏、边界错误和类型混乱。每种类型的提示可以改善类型级别的焦点，但可能会产生重叠或冲突的预测，而多智能体辩论可以以不相关的上下文、冗余交互和高词元开销为代价解决此类冲突。为了解决这些问题，我们提出了 SMADE-IE，一种稀疏且证据驱动的多智能体框架。自适应模式选择器根据样本复杂性和相关类型将简单输入路由到轻量级全局提取模式，并将模糊输入路由到以类型为中心的提取模式。跨类型冲突通过证据驱动辩论模块解决，该模块使用图尔明式论证、外部证据评分、基于 Beta 的置信度更新和提前停止。在涵盖 NER、RE 和 JERE 的 9 个基准测试上进行的实验表明，SMADE-IE 相对于最强基线，平均 Partial F1 分别提高了 11.37、3.83 和 14.46 点。与多智能体基线 CrossAgentIE 相比，SMADE-IE 在 DocRED 上减少了 85.1% 的词元消耗，在 CrossRE 上减少了 80.1%，推理效率显着提高。代码可在 https://github.com/Cppys/SMADE-IE 获取。