探索ChatGPT的信息抽取能力

信息抽取(IE)旨在從非結(jié)構(gòu)化文本中抽取出結(jié)構(gòu)化信息，該結(jié)果可以直接影響很多下游子任務(wù)，比如問答和知識(shí)圖譜構(gòu)建。因此，探索ChatGPT的信息抽取能力在一定程度上能反映出ChatGPT生成回復(fù)時(shí)對(duì)任務(wù)指令理解的性能。

論文：Is Information Extraction Solved by ChatGPT? An Analysis of Performance, Evaluation Criteria, Robustness and Errors
地址：https://arxiv.org/pdf/2305.14450.pdf
代碼：https://github.com/RidongHan/Evaluation-of-ChatGPT-on-Information-Extraction

本文將從性能、評(píng)估標(biāo)準(zhǔn)、魯棒性和錯(cuò)誤類型四個(gè)角度對(duì)ChatGPT在信息抽取任務(wù)上的能力進(jìn)行評(píng)估。

實(shí)驗(yàn)

實(shí)驗(yàn)設(shè)置

任務(wù)和數(shù)據(jù)集
本文的實(shí)驗(yàn)采用4類常見的信息抽取任務(wù)，包括命名實(shí)體識(shí)別(NER)，關(guān)系抽取(RE)，事件抽取(EE)和基于方面的情感分析(ABSA)，它們一共包含14類子任務(wù)。

對(duì)于NER任務(wù)，采用的數(shù)據(jù)集包括CoNLL03、FewNERD、ACE04、ACE05-Ent和GENIA。

對(duì)于RE任務(wù)，采用的數(shù)據(jù)集包括CCoNLL04、NYT-multi、TACRED和SemEval 2010。

對(duì)于EE任務(wù)，采用的數(shù)據(jù)集包括CACE05-Evt、ACE05+、CASIE和Commodity News EE。

對(duì)于ABSA任務(wù)，采用的數(shù)據(jù)集包括D17、D19、D20a和D20b，均從SemEval Challenges獲取。

實(shí)驗(yàn)結(jié)果

1、性能

從上圖結(jié)果可以明顯看出：
（1）ChatGPT和SOTA方法之間存在顯著的性能差距；
（2）任務(wù)的難度越大，性能差距越大；
（3）任務(wù)場(chǎng)景越復(fù)雜，性能差距越大；
（4）在一些簡(jiǎn)單的情況下，ChatGPT可以達(dá)到或超過SOTA方法的性能；
（5）使用few-shot ICL提示通常有顯著提升(約3.0～13.0的F1值)，但仍明顯落后于SOTA結(jié)果；
（6）與few-shot ICL提示相比，few-shot COT提示的使用不能保證進(jìn)一步的增益，有時(shí)它比few-shot ICR提示的性能更差。

2、對(duì)性能gap的思考

通過人工檢查ChatGPT的回復(fù)，發(fā)現(xiàn)ChatGPT傾向于識(shí)別比標(biāo)注的跨度更長的sapn，以更接近人類的偏好。因此，之前的硬匹配(hard-matching)策略可能不適合如ChatGPT的LLM，所以本文提出了一種軟匹配(soft-matching)策略，算法流程如下。

該算法表明，只要生成和span和標(biāo)記的span存在包含關(guān)系且達(dá)到相似度的閾值，則認(rèn)為結(jié)果正確。通過軟匹配策略，對(duì)重新評(píng)估ChatGPT的IE性能，得到的結(jié)果如下。

從上圖可以看出，軟匹配策略帶來一致且顯著的性能增益(F1值高達(dá)14.53)，簡(jiǎn)單子任務(wù)的提升更明顯。同時(shí)，雖然軟匹配策略帶來性能提升，但仍然沒有達(dá)到SOTA水平。

3、魯棒性分析
（1）無效輸出

在大多數(shù)情況下，ChatGPT很少輸出無效回復(fù)。然而在RE-Triplet子任務(wù)中，無效回復(fù)占比高達(dá)25.3%。一個(gè)原因可能這個(gè)子任務(wù)更加與眾不同。

（2）無關(guān)上下文
由于ChatGPT對(duì)不同的提示非常敏感，本文研究了無關(guān)上下文對(duì)ChatGPT在所有IE子任務(wù)上性能的影響。主要通過在輸入文本前后隨機(jī)插入一段無關(guān)文本來修改zero-shot提示的“輸入文本”部分，無關(guān)文本不包含要提取的目標(biāo)信息span，結(jié)果如圖所示。

可以看出，當(dāng)隨機(jī)添加無關(guān)上下文時(shí)，大多數(shù)子任務(wù)的性能都會(huì)顯著下降(最高可達(dá)48.0%)。ABSA-ALSC和RE-RC子任務(wù)的性能下降較小，這是因?yàn)樗鼈兓诮o定的方面項(xiàng)或?qū)嶓w對(duì)進(jìn)行分類，受到無關(guān)上下文的影響較小。因此，ChatGPT對(duì)無關(guān)上下文非常敏感，這會(huì)顯著降低IE任務(wù)的性能。

（3）目標(biāo)類型的頻率
真實(shí)世界的數(shù)據(jù)通常為長尾分布，導(dǎo)致模型在尾部類型上的表現(xiàn)比在頭部類型上差得多。本文研究了“目標(biāo)類型的頻率”對(duì)ChatGPT在所有IE子任務(wù)中的性能的影響，結(jié)果如圖所示。

可以看出，尾部類型的性能明顯不如頭部類型，僅高達(dá)頭部類型的75.9%。在一些子任務(wù)上，比如RE-RC和RE-Triplet，尾部類型的性能甚至低于頭部類型性能的15%，所以ChatGPT也面臨長尾問題的困擾。

（4）其他
本文探討了ChatGPT是否可以區(qū)分RE-RC子任務(wù)中兩個(gè)實(shí)體的主客觀順序。由于大多數(shù)關(guān)系類型都是非對(duì)稱的，因此兩個(gè)實(shí)體的順序非常關(guān)鍵。對(duì)于非對(duì)稱關(guān)系類型的每個(gè)實(shí)例，交換實(shí)體的順序并檢測(cè)預(yù)測(cè)結(jié)果的變化，結(jié)果如圖所示。

可以看到，交換順序后大多數(shù)預(yù)測(cè)結(jié)果(超過70%)與交換前保持不變。因此對(duì)于RE-RC子任務(wù)，ChatGPT對(duì)實(shí)體的順序不敏感，而且無法準(zhǔn)確理解實(shí)體的主客體關(guān)系。

4、錯(cuò)誤類型分析

從圖中可以看出，“Unannotated spans”、“Incorrect types”和“Missing spans”是三種主要的錯(cuò)誤類型，占70%以上。特別是，幾乎三分之一的錯(cuò)誤是“Unannotated spans”的錯(cuò)誤，這也引發(fā)了對(duì)標(biāo)注數(shù)據(jù)質(zhì)量的擔(dān)憂。

總結(jié)

本文從性能、評(píng)估標(biāo)準(zhǔn)、魯棒性和錯(cuò)誤類型四個(gè)角度評(píng)估了ChatGPT的信息抽取能力，結(jié)論如下：

性能 本文評(píng)估了ChatGPT在zero-shot、few-shot和chain-of-thought場(chǎng)景下的17個(gè)數(shù)據(jù)集和14個(gè)IE子任務(wù)上的性能，發(fā)現(xiàn)ChatGPT和SOTA結(jié)果之間存在巨大的性能差距。

評(píng)估標(biāo)準(zhǔn) 本文重新審視了性能差距，發(fā)現(xiàn)硬匹配策略不適合評(píng)估ChatGPT，因?yàn)镃hatGPT會(huì)產(chǎn)生human-like的回復(fù)，并提出軟匹配策略，以更準(zhǔn)確地評(píng)估ChatGPT的性能。

魯棒性 本文從四個(gè)角度分析了ChatGPT對(duì)14個(gè)子任務(wù)的魯棒性，包括無效輸出、無關(guān)上下文、目標(biāo)類型的頻率和錯(cuò)誤類型并得出以下結(jié)論：1）ChatGPT很少輸出無效響應(yīng)；2）無關(guān)上下文和長尾目標(biāo)類型極大地影響了ChatGPT的性能；3）ChatGPT不能很好地理解RE任務(wù)中的主客體關(guān)系。

錯(cuò)誤類型 通過人工檢查，本文分析了ChatGPT的錯(cuò)誤，總結(jié)出7種類型，包括Missing spans、Unmentioned spans、Unannotated spans、Incorrect span offsets、Undefined types、Incorrect types和other。發(fā)現(xiàn)“Unannotated spans”是最主要的錯(cuò)誤類型。這引發(fā)了大家對(duì)之前標(biāo)注數(shù)據(jù)質(zhì)量的擔(dān)心，同時(shí)也表明利用ChatGPT標(biāo)記數(shù)據(jù)的可能性。