希伯来语关系抽取新基准HeRE发布：150万实例银标准数据集，最佳模型F1达0.921！
HeRE: A Novel Benchmark for Hebrew Relation Extraction via LLM-Guided Denoising of Knowledge Graph Alignments
📖 AI 总结
该研究针对低资源语言关系抽取缺乏标准评测基准的问题，提出一种可扩展、语言无关的数据构建方法：通过对知识库与文本之间天然存在但含噪的对齐进行去噪来生成关系抽取数据，并以自然语言推理任务定义有效对齐，即关系三元组须由输入文本蕴含。作者实证比较了五种去噪策略，发现多语言模型在少样本设置下优于语言专用模型，而希伯来语专用编码器在NLI微调下仍具竞争力，并在无标签交叉训练中表现最强；同时，使用母语提示的效果与英语提示相当甚至略优。最佳开源模型Gemma-4-31B-it的F1达0.915，接近最佳API模型GPT-5.4的0.921，在完全留出的双标注测试集上F1为0.844。基于优化流程，作者发布了包含150万条实例的希伯来语关系抽取银标准数据集HeRE，填补了希伯来语关系抽取评测的空白，并为其他低资源语言提供了可复现的数据构建流程。
🔑 关键词速览
| 关系抽取 (Relation Extraction, RE) | 从文本中识别实体间语义关系的自然语言处理任务。 |
| 知识库对齐 (Knowledge Base Alignment) | 将知识库中的结构化事实与自然语言文本进行匹配的过程。 |
| 自然语言推理 (Natural Language Inference, NLI) | 判断给定前提文本是否蕴含假设文本的语义任务。 |
| 少样本学习 (Few-shot Learning) | 仅使用少量标注样本让模型适应新任务的学习范式。 |
| 银标准数据集 (Silver Dataset) | 通过自动化方法生成、未经完全人工校验的大规模标注数据集。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅