FineREX：针对人口走私知识图进行微调的 NER-RE

法庭诉讼包含有关人口走私网络的宝贵证据，但这些信息往往隐藏在非结构化、充满行话的法律文件中。虽然 大语言模型 (LLM) 可以通过自动信息提取来支持知识图构建，但现有方法依赖于通用模型，而这些模型并未针对该领域所需的实体和关系定义进行定制。我们推出 FineREX，这是一种围绕微调的 LLM 构建的简化知识图构建管道，用于命名实体识别和关系提取 (NER-RE)。使用包含 512个文本块的手动注释数据集，与更大的通用基线相比，FineREX 在实体和关系 F1 分数方面分别实现了 15.50和31.46个百分点的绝对提升。这些成果转化为更高质量的知识图谱，将法律噪声减少近一半，并将长文档的节点重复从 17.78% 降低到 11.17%。通过消除文档重写和冗余提取阶段，FineREX 还将端到端处理时间减少了 50.0%。我们的结果表明，特定领域的 微调 可以大大优于更大的通用模型，同时提高非法网络分析知识图构建的质量和效率。