通用信息抽取大模型PP-UIE开源发布，强化零样本学习与长文本抽取能力，全面适配多场景任务

文章预览

飞桨PaddlePaddle 背景与简介 信息抽取（information extraction）是指，从非结构化或半结构化数据（如自然语言文本）中自动识别、提取并组织出结构化信息。通常包含多个子任务，例如：命名实体识别（NER）、关系抽取（RE）、事件抽取（EE）。由于任务目标的多样性（如实体、关系、事件和情感等）、文本结构的异构性（如片段、三元组、记录等）以及特定应用需求的多变性，传统的信息抽取方法往往针对特定任务或领域进行优化，难以在跨任务或跨领域的情境中迁移和泛化。 随着大语言模型的发展，通用信息抽取大模型逐渐成为主流。此类模型将不同任务和领域统一为端到端的框架，并能够在未见过的数据或领域上展现出较好的性能。然而，当前主流的通用信息抽取大模型通常规模较大，这些模型在本地部署时，面临推理速度较慢、计算资源受限 ………………………………