English(EN) Few-Shot Biomedical Relation Extraction with Large Language Models: A Viable Alternative to Supervised Learning?

LLMs 在低资源生物医学关系抽取方面展现出潜力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-16 04:00

研究人员探索了使用大型语言模型（LLMs）进行少样本生物医学关系抽取，这项任务对于构建生物医学文献知识至关重要。他们在 BioREDirect 数据集上进行的实验比较了两种 LLM 任务表述：成对分类和联合生成。虽然成对分类提供了更高的召回率，但联合生成被证明更精确、更高效。最佳 LLM 方法达到了 0.44 的微 F1 分数，超过了此前的少样本结果，并在稀有关系类型上表现出强劲的性能，尽管它未能达到完全监督方法的水平。 AI

排序理由学术论文发表在 arXiv 上，详细介绍了一种新的研究方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Jakob Mraz, Toma\v{z} Curk, Bla\v{z} Zupan · 2026-06-16 04:00

Few-Shot Biomedical Relation Extraction with Large Language Models: A Viable Alternative to Supervised Learning?

arXiv:2606.15412v1 Announce Type: cross Abstract: Biomedical relation extraction (BioRE) is a key step in transforming biomedical literature into structured knowledge. However, most existing approaches rely on supervised models trained on costly annotated datasets, limiting their…

报道来源 [1]

Few-Shot Biomedical Relation Extraction with Large Language Models: A Viable Alternative to Supervised Learning?

相关实体

相关话题