EMNLP2023 | LLMs也许不擅长少样本信息提取，但可以为候选答案重新排序！

大型语言模型（LLMs）在各种任务上展现出卓越的能力。近期的研究抛出了一个挑战性的问题：在执行少样本信息提取（Information Extraction, IE）任务时，LLMs是否真正胜过了小型语言模型（SLMs）？这个问题看似简单，却引起了激烈的争论。不同的研究，依赖于不同的IE子任务、使用的数据集和实验设置，呈现了完全对立的视角和结论。这些分歧正是我们在这里要深入探讨的焦点。

今天介绍的这篇研究系统评估了LLMs在各种少样本IE任务上的竞争力，并提出了一个结合了LLMs和SLMs的新框架。让我们来一起了解一下吧🧐！

深度学习自然语言处理 原创
作者：Winnie

Paper: Large Language Model Is Not a Good Few-shot Information Extractor, but a Good Reranker for Hard Samples!  
Link: https://arxiv.org/pdf/2303.08559.pdf

进NLP群—>加入NLP交流群

前言

针对信息提取（IE）的研究有的强调LLMs是出色的少样本提取器，而有的却持反对意见。究竟什么导致了这些不同的观点呢？

最近的一篇研究进行了一番系统评估，探寻在多种少样本IE任务中LLMs是否真的表现优秀，并且这样的评估将对进一步的研究发挥关键作用。研究人员尝试回答以下几个问题：

• LLMs在少样本IE任务中是否真的比SLMs更出色？
• 增加更多的注释是否能优化LLMs和SLMs的表现？
• 从财务和时间的角度来看，哪个模型更划算？
• LLMs和SLMs是否各自在处理不同类型的样本时有所擅长？

实验设置和初步结果

任务和数据集

带着这些问题，这篇研究进行了一场系统的探究，在三大IE任务上开展了实验——命名实体识别（NER）、关系提取（RE）和事件检测（ED），涉及以下八个相关的数据集：

• 命名实体识别：CONLL’03、OntoNotes 5.0 和 FewNERD；
• 关系抽取：TACRED 和 TACREV；
• 事件检测：ACE05、MAVEN 和 ERE。

小模型的选择

在实验中选择了RoBERTa-large作为基于抽取的方法的核心，选择了T5-large作为基于生成的方法的核心。调查了以下4种方法：

• Fine-tuning (FT)：仅需在SLMs上增加一个分类器头，即可为每个句子/词预测标签。
• FSLS：目前在少样本NER任务中表现最佳的基于抽取的方法。
• KnowPrompt：目前为止，在少样本RE任务中最顶尖的基于抽取的方法。
• UIE：这是一种在少样本IE任务中表现出色的统一的基于生成的方法。

大模型的选择

大模型选择CODEX而不是InstructGPT。两者的规模和功能都非常接近，最近的研究表明CODEX在ICL方面的能力要么就是更好，要么至少与InstructGPT相当。此外， 使用API调用InstructGPT的费用是天文数字，而CODEX现在是免费的。

• Vanilla ICL：简单地使用包含指示、示例和问题的提示。
• ICL w. AutoCoT ：从初始示例中引导出论据，然后在示例中使用这些论据作为推理步骤。
• ICL w. DS ：为测试示例寻找相似的训练示例，使用了一个无监督的方法，通过句子的嵌入来评估它们的相似度。
• ICL w. SE：通过多次预测来评估每个测试示例。然后，通过多数投票整合这些预测，得出最终结果。

初步实验结果

下图展现了8个数据集上各模型的表现：

初步结果有以下发现：

• 当样本超级少时，LLMs确实能胜过SLMs，但加入更多样本后，SLMs开始发挥出色。
• SLMs在简单样本上表现亮眼，但LLMs更擅长处理难度较大的样本。

初步的结果展现出LLMs只有在注释非常稀缺的情况下才能超过SLMs。而当提高样本数量时（比如数量增至几百），SLMs的表现开始大幅领先。这一现象可能与ICL的某些局限性有关。由于ICL的输入长度的最大限制，只有少数可用样本能够作为示范来提示LLMs。此外，提示中更多的样本并不一定能带来更好的性能提升。

但是！LLMs在处理难度较大的样本时却展现出了出色的能力，这可能因为这些复杂样本（例如，置信度较低的样本）需要更多的外部知识或复杂推理，而这恰恰超出了SLMs的能力范围，但对LLMs来说不在话下。

Filter-then-rerank

基于这些发现，研究人员设计了Filter-then-rerank框架，融合了SLMs和LLMs的优势。简单说，就是让SLMs先进行筛选，再让LLMs做决策。

仅通过对0.5% - 13.2%的样本进行重新排序，Filter-then-rerank框架就超过了先前的最先进方法，平均提高了2.1%的F1分数。

结语

在进行的广泛实证研究中，研究团队对三个任务的八个数据集上的大型语言模型（LLM）和小型语言模型（SLM）进行了深入分析。研究揭示了一个显著的现象：尽管LLM携带了巨大的潜力，但由于任务格式、有限的样本容量和模型的庞大规模，它们未能成为理想的少镜头信息提取工具。相较于SLM，LLM引入了显著的时间和财务成本。

令人注目的是，研究团队发现LLM能在相当大的程度上协助SLM，尤其是在重新排列和纠正硬样本方面。基于这些发现，他们提出了一个自适应Filter-then-rerank范式。这种方法精巧地利用了LLM和SLM各自的优势，同时巧妙地避开了它们的局限性。

在这种新方法中，首先利用SLM进行初始样本的过滤，然后仅在挑战性的样本上部署LLM进行重新排序。这种策略不仅在多个小样本IE任务上实现了平均F1增益达2.1%的显著效果，而且极大地减小了因调用LLM API而产生的延迟和预算成本。

该团队的研究呈现了一个探索和平衡的故事——一方面是利用更强大的模型来提高性能，另一方面是在实际应用中保持经济效益和实用性的考虑。通过精明地整合两种模型的优点，他们为研究者和开发者在小样本学习领域打开了一扇新的大门，同时保留了务实的观点。在未来的研究中，探索这一范式的其他应用和扩展将是一个引人入胜的研究方向。