Instruct and Extract: Instruction Tuning for On-Demand Information Extraction

最新推荐文章于 2025-09-12 00:51:21 发布
最新推荐文章于 2025-09-12 00:51:21 发布
阅读量277 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： 语言模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/134156882
LLM 日更 专栏收录该内容
828 篇文章

已下架不支持订阅

本文提出了一种新的信息提取范式——按需信息提取，利用指令调优的大型语言模型满足用户个性化需求。为此，创建了InstructionIE基准数据集并开发了ODIE模型，该模型在信息提取任务中表现出色。尽管存在模型大小、数据约束等局限性，但研究为按需信息提取任务提供了重要进展。

本文是LLM系列文章，针对《Instruct and Extract: Instruction Tuning for On-Demand Information Extraction》的翻译。

指令与提取：用于按需信息提取的指令调优

摘要

具有指令跟随功能的大型语言模型为更广泛的用户群体打开了大门。然而，当涉及到信息提取（自然语言处理中的经典任务）时，大多数特定于任务的系统无法很好地与非专家用户的长尾特别提取用例保持一致。为了解决这一问题，我们提出了一种新的范式，称为按需信息提取，以满足现实世界用户的个性化需求。我们的任务旨在按照说明从相关文本中提取所需内容，并以结构化表格格式呈现。表标题可以是用户指定的，也可以是模型根据上下文推断的。为了促进这一新兴领域的研究，我们提出了一个名为InstructionIE的基准，包括自动生成的训练数据和人工注释的测试集。在Instructionie的基础上，我们进一步开发了一个按需信息提取器ODIE。对我们基准的全面评估表明，ODIE大大优于现有的类似规模的开源模型。我们的代码和数据集发布于https://github.com/yzjiao/On-Demand-IE.

1 引言

2 相关工作

3 INSTRUCTIE数据集

4 实验

5 结论

本文介绍了一项新任务，即按需信息提取，通过根据指令提取内容，并将其组织在具有用户指定或模型推断标题的表中，来满足用户的个性化需求。为了对这项新任务进行基准测试，我们构建了一个全面的数据集Instructionie，包括合成的训练数据和人工注释的

了解本专栏 已下架不支持订阅
UnknownBody
关注
专栏目录

已下架不支持订阅

【论文精读】InstructUIE: Multi-task Instruction Tuning for Unified Information Extraction
HERODING23的博客
06-05 4459
通用抽取领域很新的一篇文章，使用指令微调的范式来指导预训练的大语言模型应用在通用抽取领域，希望能够通过这篇文章的阅读，学习当前通用抽取领域工作的思路，并找到更好的解决方案。大模型在信息抽取任务上存在困难，本文提出了InstructUIE，一个基于指令微调的统一信息抽取框架，它在32个不同信息抽取数据集上进行了验证，实验结果表明该模型实现了与bert相当的性能，并且在零样本设置中显著优于gpt3.5和领域最优。
[论文阅读] ChartInstruct: Instruction Tuning for Chart Comprehension and Reasoning
moment8aVry的博客
09-28 1453
研究对象：图表研究问题：微调视觉语言模型以更好的解决图表问答和摘要任务研究方法：引入了 ChartInstruct：一种新颖的图表特定视觉语言教学跟踪数据集，由 191K 条指令和 71K 图表生成。然后，我们提出了两个不同的系统，用于对此类数据集进行指令调整：（1） 一个端到端模型，将用于图表理解的视觉编码器与 LLM 连接起来;（2） 采用两步方法提取图表数据表并将其输入到 LLM 中的管道模型。优势：在四个下游任务的实验中，我们的模型获得最先进的结果。
LLMs：《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译与解读之Datasets数据集
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
08-20 1488
​ LLMs：《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译与解读之Datasets数据集 目录 相关文章 《Instruction Tuning for Large Language Models: A Survey—大型语言模型的指令调优的综述》翻译 3 Datasets指令微调数据集 相关文章 LLMs：《Instruction T
【论文精读】InstructIE: A Chinese Instruction-based Information Extraction Dataset
HERODING23的博客
06-07 1856
一篇关于信息抽取的中文数据集构建的文章，旨在构建指令微调数据集对大语言模型进行微调，以达到对输入文本更为准确抽取其中信息的目的，阅读总结部分有我对这篇工作更为细致的看法~本文引入了一个名为的信息抽取任务，旨在要求LLM遵循特定的说明或指南来提取信息。此外构建了名为InstructIE的数据集，该数据集由来自中文维基百科的270000个弱监督数据和1000个高质量的众包注释实例组成。实验部分，InstructIE和其他模型进行了对比，还有一定的提升空间。最后总结了基于指令的IE任务现有的挑战。
AI推介-信息抽取（information extraction,NER）论文速览（arXiv方向）：2023.10.15-2023.11.15
小小帅
06-28 1666
命名实体识别（NER）在各种自然语言处理（NLP）应用中至关重要。传统的 NER 模型虽然有效，但仅限于一组预定义的实体类型。相比之下，大型语言模型（LLM）可以通过自然语言指令提取任意实体，具有更大的灵活性。然而，它们的规模和成本，尤其是通过像 ChatGPT 这样的应用程序接口进行访问时的规模和成本，使它们在资源有限的情况下变得不切实际。在本文中，我们介绍了一种经过训练的紧凑型 NER 模型，可以识别任何类型的实体。
《InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning》速读
m0_60388871的博客
03-03 875
由于不同数据集的规模差异巨大（从几千到几十万样本不等），简单均匀混合会导致模型对小数据集过拟合、对大数据集欠拟合。多任务学习（multitask learning）**在视觉-语言任务中的效果，证明指令调整是提升零样本泛化能力的关键。，覆盖11种任务类别，并将其转化为统一的指令调整格式。这是迄今为止视觉-语言指令调整研究中使用的最广泛的数据集集合。，通过将文本指令同时输入到Q-Former中，使其能够根据具体指令动态调整提取的视觉特征。传统的视觉-语言模型（如BLIP-2）在提取视觉特征时采用的是。
InstructDoc: A Dataset for Zero-Shot Generalization of Visual Document Understanding with Instructio
liferecords的博客
03-22 1123
本研究探讨了通过人类编写的指令，在现实世界文档上完成各种视觉文档理解（VDU）任务的问题，例如问答和信息提取。为此，我们提出了InstructDoc，这是第一个大规模的集合，包含30个公开可用的VDU数据集，每个数据集都有多种指令，采用统一格式，涵盖了12个不同的任务，并包括开放的文档类型/格式。此外，为了提高VDU任务的泛化性能，我们设计了一个新的基于指令的文档阅读和理解模型InstructDr，通过一个可训练的桥接模块将文档图像、图像编码器和大型语言模型（LLMs）连接起来。
Low-Resource Fine-Tuning for Multi-Task Structured Information Extraction with a Billion-Parameter I
m0_60388871的博客
09-12 1157
论文日报
论文浅尝 | MedIE-Instruct: 一个用于医学信息抽取的综合指令数据集（ICKG2024）
开放知识图谱
04-25 711
Medical Information Extraction, IE）是自然语言处理（NLP）领域中的核心任务之一，主要包括命名实体识别（Named Entity Recognition, NER）、关系抽取（Relation Extraction, RE）和事件抽取（Event Extraction, EE）。"output": {"疾病": ["胃癌"], "药物": [], "解剖部位": []}"schema": ["疾病", "药物", "解剖部位"],Qwen1.5-14B（大规模中文模型）
[arxiv论文解读]LlamaFactory：100+语言模型统一高效微调
强化学习曾小健
05-22 2137
有效的微调对于使大语言模型适应下游任务至关重要。然而，在不同的模型上实现这些方法需要付出很大的努力。我们提出了LlamaFactory，一个集成了一套尖端高效训练方法的统一框架。它允许用户通过内置的Web UI LlamaBoard灵活定制100+大语言模型的微调，而无需编码。我们凭经验验证了我们的框架在语言建模和文本生成任务上的效率和有效性。它已在发布，并已获得超过 13,000 个 star 和 1,600 个分叉。LlamaFactory：100+语言模型统一高效微调。
2024年7月16日Arxiv语言模型相关论文
数智笔记
07-16 1597
原标题作者机构: 浙江大学 腾讯摘要: 查询焦点摘要（QFS）旨在生成回答特定感兴趣问题的摘要，实现更大的用户控制和个性化。随着大型语言模型（LLMs）的出现，展示了它们通过大规模预训练对文本理解的令人印象深刻的能力，这意味着抽取式片段生成的巨大潜力。在本文中，我们系统地研究了基于LLMs的QFS模型应该利用的两个不可或缺的特征，分别是长篇文档摘要和高效的细粒度查询-LLM对齐。
285个地级市邻接矩阵、经济地理矩阵等8个矩阵数据（2003-2023年）
11-25
01、数据简介 共八个矩阵，各类矩阵通过量化空间关系，为区域政策制定（如交通规划、产业布局）和学术研究（如空间溢出效应、区域收敛）提供关键工具，需根据研究目标灵活选择或组合使用。 数据名称：285个地级市邻接矩阵、经济地理矩阵等8个矩阵数据 数据年份：2003-2023年 参考文献：邵帅,李欣,曹建华,杨莉莉.中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J].经济研究,2016,51(09):73-88. 02、相关数据 地级市人均GDP、空间邻接矩阵、空间经济距离矩阵（GDP）、空间地理距离矩阵（经纬度）、空间地理距离倒数平方矩阵（经纬度）、经济地理权重矩阵（GDP和经纬度）、经济地理嵌套矩阵（GDP和经纬度）、空间经济矩阵（非对称）、空间经济地理矩阵（非对称）、纬度、经度、距离
【影视数据分析】基于C++的多维度可视化系统设计：实现高效实时数据处理与交互式决策支持 项目介绍 基于C++的影视数据可视化系统设计和实现的详细项目实例（含模型描述及部分示例代码）
最新发布
11-25
内容概要：本文详细介绍了一个基于C++的影视数据可视化系统的设计与实现，旨在应对影视行业海量、多源数据带来的分析挑战。系统利用C++的高性能优势，实现了大规模数据的高效处理与实时更新，支持多维度数据分析，涵盖票房、用户评价、社交媒体热度等，并通过柱状图、折线图、热力图、词云等多种可视化方式直观展示数据。项目强调用户友好的界面设计、跨平台兼容性、可扩展性与可定制性，结合创新的交互设计，提升用户体验与决策效率。系统不仅服务于影视创作者和营销团队，也为行业数字化转型和创新发展提供数据驱动的支持。; 适合人群：具备一定C++编程基础，从事数据分析、可视化开发或影视行业技术研究的研发人员、软件工程师及高校学生。; 使用场景及目标：①学习如何利用C++构建高性能数据可视化系统；②掌握多源数据融合、实时处理与图形渲染的技术方案；③为影视项目提供数据支持，优化内容创作与市场策略； 阅读建议：建议结合文中提到的模型设计与示例代码进行实践，重点关注数据处理流程、可视化模块实现及系统架构设计，同时可联系作者获取完整代码与GUI资源以加深理解。
CSS插入图片方法[可运行源码]
11-25
本文详细介绍了在CSS中插入图片的多种方法，包括使用background-image属性和background简写属性。通过设置不同的背景属性值，如background-color、background-position、background-size等，可以灵活控制背景图片的显示效果。文章还提供了具体的HTML示例代码，展示了如何在实际项目中应用这些属性。此外，还解释了背景图像默认位于元素左上角并在水平和垂直方向上重复的特性，以及如何通过background-repeat属性调整平铺方式。
jQuery与HTML设置只读/禁用属性[项目代码]
11-25
本文详细介绍了在jQuery和HTML中如何设置和移除表单元素的只读（readonly）和禁用（disabled）属性。在jQuery部分，通过attr()和removeAttr()方法演示了属性的动态操作，并对比了readonly与disabled的区别：disabled会阻止元素获取焦点且表单提交时排除该字段，而readonly仅限制编辑但仍可聚焦和提交。HTML部分列举了三种实现方式（onfocus=this.blur()、readonly、disabled），并附代码示例说明其视觉效果及交互差异（如灰色显示、Tab键切换等）。最后指出两者可结合使用，并补充了CSS屏蔽输入的技巧。
SQL编码规范指南[项目源码]
11-25
本文详细介绍了SQL编码规范的重要性及其具体实施方法。规范化的SQL代码能显著提升可读性、便于问题定位和团队协作。文章强调了大小写的正确使用、单引号与双引号的应用场景、缩进对齐原则、禁止使用SELECT *操作、注释的添加规范以及子句的排版规则等关键点。此外，还提供了表别名的命名建议、字段逗号放置位置等实用技巧，旨在帮助开发者编写清晰、整齐、结构化的SQL代码，从而提升编程效率和代码质量。
Layui输入事件监听[代码]
11-25
本文详细介绍了Layui框架中各种表单元素的输入事件监听方法，包括单选框、复选框、下拉菜单、输入框内容变动以及提交按钮的监听。通过示例代码展示了如何实时获取用户输入的值、监听表单元素的变化以及处理提交事件。此外，还提供了带注释的代码片段，帮助开发者理解每个事件监听器的具体功能和用法。这些方法可以广泛应用于表单验证、动态数据更新等场景，提升用户交互体验。
UAC-BOF-Bonanza[项目源码]
11-25
UAC-BOF-Bonanza is a GitHub repository that compiles various UAC (User Account Control) bypass techniques, weaponized as Beacon Object Files (BOFs). The project includes a module for the Havoc C2 Framework and extension.json files for Sliver C2, enabling users to leverage these bypass methods in red team operations. Techniques include exploiting elevated COM objects, registry modifications, DLL hijacking, and SSPI token forgery. The repository provides detailed usage instructions, OpSec considerations, and credits to original researchers. All bypasses were tested on Windows 10 and 11, though they may be detected by SOCs and EDR solutions. The project is licensed under GPL-3.0 and includes standalone implementations for each bypass.
【2025年10月最新优化算法】混沌增强领导者黏菌算法（Matlab代码实现）
11-25
【2025年10月最新优化算法】混沌增强领导者黏菌算法（Matlab代码实现）内容概要：本文档介绍了2025年10月最新提出的混沌增强领导者黏菌算法（Matlab代码实现），属于智能优化算法领域的一项前沿研究。该算法结合混沌机制与黏菌优化算法，通过引入领导者策略提升搜索效率和全局寻优能力，适用于复杂工程优化问题的求解。文档不仅提供完整的Matlab实现代码，还涵盖了算法原理、性能验证及与其他优化算法的对比分析，体现了较强的科研复现性和应用拓展性。此外，文中列举了大量相关科研方向和技术应用场景，展示其在微电网调度、路径规划、图像处理、信号分析、电力系统优化等多个领域的广泛应用潜力。; 适合人群：具备一定编程基础和优化理论知识，从事科研工作的研究生、博士生及高校教师，尤其是关注智能优化算法及其在工程领域应用的研发人员；熟悉Matlab编程环境者更佳。; 使用场景及目标：①用于解决复杂的连续空间优化问题，如函数优化、参数辨识、工程设计等；②作为新型元启发式算法的学习与教学案例；③支持高水平论文复现与算法改进创新，推动在微电网、无人机路径规划、电力系统等实际系统中的集成应用； 其他说明：资源包含完整Matlab代码和复现指导，建议结合具体应用场景进行调试与拓展，鼓励在此基础上开展算法融合与性能优化研究。
The accessory is providing turn-by-turn guidance and the user connects an Apple device. The connected Apple device is providing turn-by-turn guidance, so the accessory ends turn-by-turn guidance.Step 1 - ID: start_turn_by_turn INSTRUCT: description: Start turn-by-turn guidance on the accessory. Step 2 - ID: connect_device INSTRUCT: description: Connect device to accessory. Step 3 - ID: show_carplay_and_play_music INSTRUCT: description: Show CarPlay UI on the screen and play music from the Apple device. Step 4 - ID: disconnect_device INSTRUCT: description: Disconnect device from accessory. Step 5 - ID: enable_turn_by_turn INSTRUCT: description: Enable turn-by-turn guidance on the Apple device. Step 9 - ID: check_initialPermanentEntity_dictionaries IF: statement: sample.parts.communication_plug_ins[0].communication_plug_in_version.hasMatchForRegex("R1[6-9]|R1\d\d+|R[2-9]\d+") MONITOR: description: Verifying that the accessory sets the correct initialPermanentEntity dictionaries in the Info Response. event identity: CarPlay.Response.Info ASSERT: [1] - initPEMainScreen.permanentEntity == "1 - Controller" [2] - initPEMainAudio.permanentEntity == "1 - Controller" SET: variable: initPEMainScreen expression: $0.modes.initialPermanentEntity.first({ $0.resourceID == "1 - Main Screen" }) variable: initPEMainAudio expression: $0.modes.initialPermanentEntity.first({ $0.resourceID == "2 - Main Audio" }) 翻译
07-23
<think>首先，用户的问题是关于翻译一段测试脚本内容，具体涉及CarPlay配件与Apple设备交互的测试脚本。主题包括turn-by-turn导航、设备连接和Info Response中的initialPermanentEntity字典验证。 从系统级指令中，我需要遵守： - 所有行内数学表达式使用$...$格式。 - 独立公式使用$$...$$格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 在回答中引用的段落末尾自然地添加引用标识。 - 回答结构清晰，帮助用户逐步解决问题，保证真实可靠。 用户提供的引用仅供参考： - 引用[1]：关于Python中的or操作符，但这不是直接相关的。 - 引用[2]：关于使用OpenAI LLM创建游戏，也不直接相关。 用户真正的需求是翻译测试脚本内容。所以，我需要专注于翻译任务。 关键点： - 主题：设备导航引导和CarPlay交互。 - 具体内容：turn-by-turn导航、设备连接、Info Response中的initialPermanentEntity字典验证。 由于用户没有提供具体的脚本内容，我需要假设或请求更多信息。但用户说“我想翻译一段...”，所以可能是在请求我帮助翻译。但用户没有粘贴脚本内容，所以我应该引导用户提供内容。 在用户消息中："我想翻译一段关于设备导航引导和CarPlay交互的测试脚本内容" – 这表明用户想让我翻译一段脚本，但没有给出脚本本身。因此，我的第一步应该是请求用户提供要翻译的具体脚本内容。 为了结构清晰，我应该逐步引导： 1. 确认用户的需求。 2. 请求用户提供要翻译的脚本内容。 3. 一旦提供，进行翻译。 4. 生成相关问题。 另外，需要生成相关问题。系统指令说："生成相关问题"，所以即使在回答中，我也需要添加相关问题。 最后，添加引用标识。但用户提供的引用不相关，所以我应该只在必要时引用，或者基于上下文。 构建回答： - 用中文回答。 - 结构清晰： - 先确认需求。 - 请求具体内容。 - 提供翻译示例或指导。 - 生成相关问题。 - 确保真实可靠：基于我对CarPlay和测试脚本的理解。CarPlay是Apple的车载系统，涉及导航、连接等。 可能的翻译内容： - "turn-by-turn navigation"：逐步导航。 - "device connection"：设备连接。 - "Info Response"：信息响应。 - "initialPermanentEntity dictionary"：初始永久实体字典。 但用户需要翻译整个脚本，所以我需要脚本内容。 生成相关问题： - 基于主题，如：如何验证initialPermanentEntity字典？测试脚本的常见结构是什么？等。 添加引用标识：由于没有直接引用，我可能不需要添加，除非我引用通用知识。 系统指令说："回答中引用的段落末尾自然地添加引用标识"，但在这里没有引用来源，所以或许可以省略或使用通用引用。 在回答中，我应该： - 使用$...$ for math if needed, but this is about scripting, so probably not. - For independent formulas, use $$...$$, but again, not relevant here. 所以，焦点在翻译和生成问题。</think>### 翻译指导：CarPlay测试脚本内容 您需要翻译一段关于CarPlay配件与Apple设备交互的测试脚本，涉及turn-by-turn导航、设备连接及Info Response中的initialPermanentEntity字典验证。由于您没有提供具体的脚本内容，我无法直接进行完整翻译。为了帮助您逐步解决问题，我将先解释关键术语的标准翻译，并提供通用翻译框架。这样，您可以基于此框架自行翻译或提供具体内容后我再协助。 #### 关键术语翻译（基于CarPlay和Apple文档） - **Turn-by-turn navigation**：逐步导航（指实时分步导航引导）。 - **Device connection**：设备连接（涉及蓝牙或USB配对过程）。 - **Info Response**：信息响应（CarPlay协议中的响应消息）。 - **Initial permanent entity dictionary**：初始永久实体字典（用于存储设备元数据，如序列号或固件版本）。 - 其他常见术语： - **Test script**：测试脚本。 - **Interaction**：交互。 - **Validation**：验证。 #### 通用翻译框架（示例） 假设您的测试脚本包含类似以下内容（基于CarPlay测试标准），这里是一个虚构示例的翻译。您可以用自己的脚本替换变量部分。 ```text # 原始英文脚本示例 Test Case: Verify turn-by-turn navigation with CarPlay accessory Steps: 1. Connect iPhone to CarPlay accessory via USB. 2. Launch navigation app and initiate a route. 3. Check Info Response for initialPermanentEntity dictionary, ensuring keys like "deviceID" and "firmwareVersion" match expected values. 4. Validate that navigation prompts are displayed correctly on the car display. Expected Result: All steps pass without errors. ``` 翻译为中文： ```text # 中文翻译 测试用例：验证CarPlay配件的逐步导航功能 步骤： 1. 通过USB将iPhone连接到CarPlay配件。 2. 启动导航应用并初始化一条路线。 3. 检查信息响应中的初始永久实体字典，确保键如"deviceID"和"firmwareVersion"匹配预期值。 4. 验证导航提示正确显示在车载屏幕上。 预期结果：所有步骤无错误通过。 ``` #### 注意事项 - **准确性**：翻译时保持技术术语一致，参考Apple官方文档（如CarPlay开发指南）以确保可靠性[^1]。 - **上下文**：如果脚本包含代码或数据结构（如JSON字典），保留原格式，仅翻译注释和描述性文本。例如，`initialPermanentEntity` 字典的键值对通常不翻译，除非是用户可读标签。 - **请求具体内容**：请提供您要翻译的完整脚本内容（可直接粘贴在回复中），我将基于上述框架进行精确翻译和优化。 ### 相关问题 为了进一步帮助您，以下是基于您需求生成的相关问题： 1. 如何验证CarPlay的Info Response中的initialPermanentEntity字典是否符合Apple标准？ 2. 在测试脚本中，如何处理turn-by-turn导航的异常场景（如GPS信号丢失）？ 3. CarPlay设备连接测试的常见挑战和优化方法有哪些？ 4. 如何编写自动化测试脚本用于CarPlay交互验证？ 5. 在翻译技术脚本时，如何确保术语一致性并避免歧义？ 如果您提供具体脚本，我将立即协助翻译。同时，建议参考Apple开发者资源以获取更多细节[^1]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值