信息提取（IE）旨在从普通自然语言文本中提取结构化知识（如实体、关系和事件）。最近，生成式大型语言模型（LLMs）展现了在文本理解和生成方面的卓越能力，使得它们能够广泛应用于各种领域和任务。因此，已经有许多研究致力于利用LLMs的能力，为信息提取任务提供可行的解决方案。为了全面系统地回顾和探索LLMs在信息提取任务中的应用，本研究对这一领域的最新进展进行了调查。
首先，我们进行了广泛的概述，将这些研究按照不同的信息提取子任务和学习范式进行分类。然后，我们对最先进的方法进行了实证分析，并发现了使用LLMs进行信息提取任务的新趋势。基于这些全面的调查，我们识别了一些有前景的研究方向和技术，这些值得在未来的研究中进一步探索。
此外，我们还维护了一个公共存储库，并不断更新相关资源。您可以通过访问以下网址获取这些资源：https://github.com/quqxui/Awesome-LLM4IE-Papers。
https://arxiv.org/pdf/2312.17617.pdf
https://github.com/quqxui/Awesome-LLM4IE-Papers
近年来，大语言模型（LLMs）在自然语言处理领域取得了显著的成果，尤其是在生成式信息抽取任务上表现出色。本文对LLMs在生成式信息抽取领域的最新研究进行了全面梳理，旨在为研究者提供一个系统性的回顾和探讨。
核心观点：
-
生成式信息抽取任务包括命名实体识别（NER）、关系抽取（RE）和事件抽取（EE）。这些任务可以通过不同的学习范式（如监督微调、少样本学习、零样本学习等）来利用LLMs的能力。
-
LLMs在各个子任务上均取得了显著的成果，例如在NER、RE和EE任务上，LLMs已经超越了传统的判别式方法，并且在多任务学习和跨领域迁移方面具有很强的潜力。
算法原理：
-
在生成式信息抽取任务中，LLMs通过最大化条件概率来生成结构化信息。给定输入文本、提示和目标抽取序列，LLMs的目标是自动回归地生成目标序列。
-
LLMs可以通过不同的学习范式来进行训练和优化。例如，在监督微调中，LLMs通过在有标签数据上进行微调来提高性能；在少样本学习中，LLMs利用少量示例进行训练；在零样本学习中，LLMs仅依赖于上下文示例或指令来抽取信息。
结论：
-
LLMs在生成式信息抽取任务上具有巨大的潜力，已经在各个子任务上取得了显著的成果。然而，目前的研究仍存在一些挑战，如模型可解释性、计算资源消耗等。
-
未来的研究方向包括：（1）探索更有效的学习范式以提高LLMs在生成式信息抽取任务上的性能；（2）设计更通用的框架，以便在多任务学习和跨领域迁移中充分发挥LLMs的优势；（3）关注特定领域的应用，如医学、科学等，以推动实际应用场景中的技术创新。
 pyDAL常用运算)
