Структурированное извлечение информации из научных текстов с помощью больших языковых моделей

Извлечение структурированных знаний из научных текстов остается сложной задачей для моделей машинного обучения. В данной работе представлен простой подход к совместному распознаванию именованных сущностей и извлечению отношений, а также показано, как предварительно обученные большие языковые модели (GPT-3, Llama-2) можно дообучать для извлечения полезных записей, содержащих сложные научные знания. Мы рассматриваем три репрезентативные задачи в химии материалов: установление связей между легирующими добавками и матричными материалами, составление каталогов металлоорганических каркасов и общее извлечение информации о составе, фазе, морфологии и применении. Записи извлекаются из отдельных предложений или целых абзацев, а результат может быть представлен в виде простых предложений на английском языке или в более структурированном формате, например в виде списка объектов JSON. Этот подход представляет собой простой, доступный и чрезвычайно гибкий способ получения крупных баз данных структурированных специализированных научных знаний, извлеченных из исследовательских публикаций.