CONSISTRE：使用 大语言模型 进行文档级关系提取的统一一致性感知框架

文档级关系提取（DocRE）旨在跨扩展上下文提取多个实体之间的关系，同时保持预测三元组的一致性。尽管大语言模型（LLM）在信息提取方面表现出卓越的推理能力，但它们的预测通常是为每个候选三元组独立生成的，并且可能违反基本关系约束，例如传递性、对称性和功能唯一性，从而导致矛盾和不可靠的输出。我们提出了 CONSISTRE，这是一个统一的 DocRE 一致性感知框架，它通过两个互补的轨道解决了这一限制。第一个在黑盒 LLM 的推理时运行，结合约束感知提示、基于约束的验证和迭代自我反思来完善预测，而无需特定于任务的 微调。第二个通过 知识蒸馏 和强化学习管道将一致性知识注入较小的开源模型：通过监督的 微调 将来自强大教师的推理痕迹提炼给学生，然后使用复合奖励进行 GRPO 对齐，共同优化提取性能和关系一致性。这两个轨道共同涵盖了统一一致性制定下的 API 可访问和本地可部署场景。 DocRED 上的实验表明，这两个轨道的性能均优于其基线，推理时间轨道使用现成的黑盒 LLM 实现了有竞争力的 F1，而训练时间轨道以推理成本的一小部分大幅缩小了 7--8B 开源模型和最先进的专有 LLM 之间的差距。消融研究证实，显式一致性建模可以缓解关系矛盾，并增强基于 LLM 的 DocRE 跨两种部署范例的可靠性。