CREFT: Sequential Multi-Agent LLM for Character Relation Extraction

最新推荐文章于 2025-12-12 18:01:47 发布
最新推荐文章于 2025-12-12 18:01:47 发布
阅读量175 收藏
点赞数 3
CC 4.0 BY-SA版权
分类专栏： LLM Daily LLM Agent 文章标签： 语言模型 人工智能
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/148535356

在这里插入图片描述

文章主要内容

本文提出了一种用于长文本叙事中角色关系提取的顺序多智能体大语言模型框架CREFT。该框架通过两个主要阶段处理叙事数据：首先利用知识蒸馏从文本块中提取主谓宾三元组，构建基础角色图；然后通过多个专门的LLM智能体依次优化角色组成、显式/隐式关系提取、角色识别和分组。实验在韩国电视剧数据集上表明，相比单智能体基线，CREFT在角色召回率、组匹配F1分数等指标上显著提升，尤其在处理别名合并、隐含关系和动态角色分组方面表现更优。研究还讨论了PPR算法在角色选择中的有效性，并指出组分配在模糊叙事中的挑战，为娱乐、出版和教育领域的叙事分析提供了高效工具。

创新点

  1. 顺序多智能体框架：通过分工明确的LLM智能体迭代优化角色关系提取的不同环节（如别名合并、关系分类、角色分组），突破单智能体在复杂任务中的局限性。
  2. 知识蒸馏构建基础图：使用GPT-4o生成标注数据，微调韩语LLM以安全提取三元组，避免直接调用LLM API的隐私问题。
  3. 系统化角色关系结构（CRS）：定义了包含角色组成、显隐关系、角色和组的结构化表示，支持可视化叙事分析，提升脚本评估效率。
  4. 混合角色选择策略：结合用户输入和Personalized PageRank（PPR）算法，动态扩
了解本专栏 订阅专栏 解锁全文 超级会员免费看
《AI Agent 开发实战》第10章: 智能推荐 Agent 开发
AI天才研究院
10-30 825
第10章: 智能推荐 Agent 开发 在这个信息爆炸的时代，智能推荐系统已经成为我们日常生活中不可或缺的一部分。从电子商务平台推荐商品，到视频网站推荐内容，再到音乐应用推荐歌曲，智能推荐系统无处不在。作为AI Agent的一个重要应用领域，智能推荐系统结合了机器学习、数据挖掘和信息检索等多个领域的技术，旨在为用户提供个性化、
Small Language Model Is a Good Guide for Large Language Model in Chinese Entity Relation Extraction
c_cpp_csharp的专栏
04-30 325
最近，大型语言模型（LLM）在关系提取（RE）任务中取得了成功，尤其是在小样本学习中。RE领域的一个重要问题是长尾数据，而目前使用LLM方法对这个问题没有太多关注。因此，在本文中，我们提出了SLCoLM，一个模型协作框架，以缓解数据长尾问题。在我们的框架中，我们使用“训练指南预测”策略来结合预训练的语言模型（PLM）和LLM的优势，其中特定任务的PLM框架充当导师，将任务知识传递给LLM，并指导LLM执行RE任务。我们在一个富含关系类型的RE数据集上的实验表明，本文的方法有助于长尾关系类型的RE。
Unifying Large Language Models and Knowledge Graphs: A Roadmap综述笔记-入门-知识图谱KG-大模型LLM
好好学习|学无止境
11-26 2236
LLMs，例如chatGPT和GPT4，由于其涌现能力和泛化性，对自然语言理解和人工智能领域产生了新的冲击。然而，LLMs是一个黑箱模型，往往缺乏捕获和获得事实知识。相反，知识图谱，例如维基百科等，是有结构模型。存储着丰富的事实知识。KGs可以通过提供额外的知识去增强大语言模型的推理和解释性。同时，知识图谱也很难去自然构造和进化，对于现有的知识图谱方法来说，生成新的事实和表示未知数据是一个挑战。因此，统一LLMs和KG，同时利用他们的优点是一种补充。在这篇文章中，我们提出了统一LLMs和KG的路线图。
ACL2023：LLM相关论文总结
weixin_52171642的博客
07-17 3177
上下文学习（ICL）通过在推理时简单地演示少量的例子来提高语言模型在各种NLP任务中的表现。人们对ICL能力出现的原因不是很了解，因为模型从来没有在这种演示上进行过专门的训练。与之前探索ICL背后的隐性机制的工作不同，我们通过调查预训练数据来研究ICL。具体来说，我们首先采用一种迭代的、基于梯度的方法来寻找支持ICL的一小部分预训练数据。我们观察到，在这个小的子集上继续进行预训练可以显著提高模型的ICL能力，提高幅度高达18%。
【论文精读笔记】O-LoRA: Orthogonal Subspace Learning for Language Model Continual Learning
weixin_45225032的博客
11-24 2944
O-LoRA阅读笔记，EMNLP2023复旦大学工作。介绍了一种O-LoRA方法，将多个LoRA块正交放置，通过限制LoRA块中A矩阵的正交性（矩阵运算为0）减少不同任务之间的干扰从而解决持续学习中的灾难性遗忘问题。
【论文阅读】自我进化的AI智能体综述
bylander的博客
09-07 2113
大型语言模型（LLM）的最新进展引发了人们对能够解决复杂现实世界任务的AI智能体的兴趣。然而，大多数现有的智能体系统依赖于部署后保持静态的手工配置，限制了它们适应动态和演变环境的能力。为了解决这一局限性，最近的研究探索了智能体进化技术，旨在根据交互数据和环境影响自动增强智能体系统。这一新兴方向为自我进化的AI智能体奠定了基础，它们连接了基础模型的静态能力与终身智能体系统所需的持续适应性。在本调查中，全面回顾了自我进化智能体系统的现有技术。具体来说，文章首先介绍了一个统一的框架，该框架抽象了自我进化智能体
【LangChain编程：从入门到实践】生态系统概览：组件（Components）-链（Chains）-代理（Agents）-内存（Memory）-提示工程（Prompt Engineering）
AI天才研究院
07-24 1437
本文旨在为读者提供一个全面而深入的LangChain生态系统概览。我们将探讨LangChain的核心组件、工具链以及它如何革新大语言模型（LLM）的应用开发过程。通过本文，读者将了解到：本文面向以下读者群体：本文将按以下结构展开：LangChain的生态系统是围绕着简化大语言模型应用开发而构建的。为了更好地理解LangChain的核心概念及其相互联系，我们可以通过以下Mermaid流程图来visualize整个生态系统的架构：LangChainModelsPromptsChainsMemoryIndexes
Sequential Recommendation with Latent Relations based on Large Language Model
weixin_51404363的博客
07-09 1078
本文是清华THUIR实验室的一篇基于大模型的序列推荐的论文。传统的序列推荐方法通常基于物品的协同过滤算法计算物品之间隐含的协同相似度，但是却忽略了物品间的显式关系。近年的研究提出了一些利用物品间的关系来建模用户偏好的方法，人为手动地定义物品之间的关系，显著地改进了序列推荐的效果，但是这些方法仍面临着稀疏问题，包括物品稀疏和关系稀疏。
知识抽取：从文本中提取实体与关系
AI天才研究院
05-03 1556
1. 背景介绍 1.1 信息爆炸与知识获取 随着互联网的普及和信息技术的飞速发展，我们正处于一个信息爆炸的时代。海量的文本数据充斥着我们的生活，如何从这些文本中有效地提取知识成为了一个重要的研究课题。传统的文本处理方法，如关键词检索和文本分类，已经无法满足人们对知识获取的精细化需求。知识抽取技术应
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8
12-11 872
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
深度学习下载包时可能会遇到的问题及解决方案
m0_50481455的博客
12-09 488
若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。
精品数据分享 | 锂电池数据集（七）同济大学电池数据集
12-11 676
本期继续分享一篇Nature communicationTop论文公开锂离子电池数据，划重点-数据集开源，代码开源！！！
vLLM推理引擎教程4-离线推理功能
benben044的专栏
12-12 350
本文介绍了使用vLLM框架优化推理性能的多种方法。主要内容包括：1）基础文本生成、对话式推理、文本分类和嵌入提取四种任务的基本实现；2）自动前缀缓存功能，通过共享KV缓存加速长上下文处理；3）使用YARN方法扩展模型上下文长度；4）多模态任务处理示例（Whisper语音识别）；5）底层LLMEngine API的使用。文章通过具体代码示例展示了如何设置参数实现各类推理优化，包括温度调节、top-p采样、缓存复用等技巧，适用于文本生成、分类、嵌入等多种NLP任务场景。
观成科技:Zloader木马家族加密流量分析
GCKJ_0824的博客
12-12 421
摘要：Zloader木马最初作为银行木马Zeus的下载器，现被广泛用于勒索软件投递。其采用多种加密通信技术规避检测：1）DGA技术生成随机域名；2）DNS隧道隐藏数据；3）HTTPS加密通信；4）Websocket掩码加密。最新版本通过会话密钥强化DNS隧道加密。观成科技利用AI模型结合TLS指纹检测HTTPS加密流量，持续通过行为分析和机器学习应对加密威胁。研究表明，恶意软件正不断升级流量对抗技术，凸显加密流量检测的重要性。（149字）
“人工智能 +” 创新大会签约落定，云工场科技与沐曦、中国移动等企业携算力服务助力潍坊转型发展
Cloudcsp的博客
12-12 279
大会紧密围绕贯彻落实党的二十届四中全会精神，旨在纵深推进“人工智能+”行动，促进人工智能与实体经济深度融合，为培育和发展新质生产力注入强大 AI 动能。，共同推进智能算力供给与行业应用落地。聚焦于行业大模型落地应用、高效智能算力供给、以及“人工智能+”模式创新等多个关键方向，携手构建开放、协同、共赢的 AI 产业生态。在大会签约环节，昌邑市、安丘市、寒亭区、潍城区等政府单位围绕人工智能+治理分别推进相关合作布局；等核心能力，协同产业伙伴共同服务潍坊“人工智能+”行动，助力区域新质生产力加速培育。
宝马，如何建设一座AI汽车工厂？｜产业AI案例
chanyejiawang的博客
12-08 1463
AI汽车时代来袭
Syslog / Flow / Telemetry 的 AI 聚合与异常检测实战（可观测性）
最新发布
oQianYuan的博客
12-12 896
网络设备每天在后台发出巨量的可观测性数据，它们大多数被丢弃、被忽略、被埋没在日志平台里。Syslog、Flow、Telemetry 是三类最常用的基础信号，但它们一直没有在企业里发挥出该有的价值——所谓“看起来都有，出了问题却找不到原因”。过去几年里，我几乎把所有大型网络的事故复盘都做过一遍，最后得出的共同结论是：事故不是因为没有可观测性，而是因为信号太分散、太原始，而人类根本处理不过来。这篇文章的目标很直接：把 Syslog、Flow、Telemetry 三种信号，做成可输入 AI 的高质量特征，进而构建
大模型的监督微调基础详解
AggressiveYu的博客
12-10 1030
在预训练完毕之后，我们的模型已经成为了一个学习完所有知识的学生，但是他缺乏用适当的方式表达知识的能力，还是停留在续写文本的阶段，无法直接回答我们的问题，所以监督微调这个时候就出来了，这个指令微调的作用，就是让模型在预训练的基础上，通过特定的数据和训练，让模型能够更好的回答用户的问题。 预训练一般包括三大要素，网络结构，损失函数，训练数据。指令微调和预训练的方式几乎没有区别，只是训练数据的不同。
创始人IP与AI融合：重构信任与引领变革
ckjrxdn的博客
12-08 298
通过个人品牌的塑造，企业能够增强与用户之间的情感连接，提升认同感。举办此次峰会，是希望帮助更多中小企业家认识到技术趋势与品牌建设的重要性，从而更好地把握未来发展机遇。另一方面，人工智能能够全面提升企业在内容创作、客户转化等环节的效率，助力构建可持续的商业系统。活动汇聚了来自全球的创始人、行业专家及媒体代表，共同探讨在人工智能与个人品牌价值并重的时代背景下，企业如何应对挑战、实现持续发展。本次峰会还设置了多场主题分享与圆桌对话，聚焦人工智能的应用前景与未来商业趋势，为参会者提供了交流与合作的平台。
Crnet: A detail-preserving network for unified image restoration and enhancement task
02-28
### CRNet网络架构及其在图像修复和增强任务中的应用 CRNet是一种专为统一处理图像修复和增强任务而设计的深度神经网络结构[^1]。此网络旨在保留图像细节的同时执行多种类型的恢复操作，包括但不限于去噪、超分辨率重建以及色彩校正。 #### 网络组成要素 CRNet采用了多尺度特征提取模块(Multi-scale Feature Extraction Module)，该模块允许模型捕捉不同层次的空间信息。通过引入残差连接机制(residual connections)，使得深层网络更容易训练，并有助于保持输入信号的关键特性不受损失。 为了实现更精细级别的控制，CRNet还融入了注意力机制(Attention Mechanism)。这一部分的设计灵感来源于人类视觉系统的运作原理——即专注于某些特定区域而非均匀对待整个视野范围内的所有像素点。因此，在面对复杂场景时，算法能够更加智能地区分重要性和不重要的内容，从而提高最终输出质量。 ```python import torch.nn as nn class MultiScaleFeatureExtractor(nn.Module): def __init__(self, in_channels=3): super().__init__() self.conv1 = nn.Conv2d(in_channels, 64, kernel_size=3, padding=1) self.res_blocks = nn.Sequential(*[ ResidualBlock() for _ in range(8)]) # 使用多个残差块 def forward(self, x): out = F.relu(self.conv1(x)) return self.res_blocks(out) class AttentionModule(nn.Module): """简化版注意力模块""" pass class CRNet(nn.Module): def __init__(self): super(CRNet, self).__init__() self.feature_extractor = MultiScaleFeatureExtractor() self.attention_module = AttentionModule() def forward(self, input_image): features = self.feature_extractor(input_image) attended_features = self.attention_module(features) output = ... # 进一步处理得到最终结果 return output ``` 值得注意的是，尽管上述描述主要集中在CRNet对于静态图片的应用上，但其设计理念同样适用于动态影像序列的实时编辑与优化过程。此外，由于CRNet具备良好的泛化能力，所以在实际部署过程中往往不需要针对每种具体的退化模式都重新调整参数设置即可获得满意的效果。
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