些任务的表现上优于 GPT3-175B。

大语言模型，例如 GPT 系列、LLama 系列、Gemini 系列等，在自然语言处理方面取得了显著的

成功，展示了超强的性能，但仍面临诸如幻觉、过时的知识、不可追溯的推理过程等挑战。2020

年，由 Lewis 等人引入的检索增强生成方法，通过整合来自外部数据库的知识，然后再继续回答问

题或生成文本。这个过程不仅为后续阶段提供信息，而且确保响应是基于检测到的证据的，从而显

著提高输出的准确性和相关性。在推理阶段从外部知识库动态检索信息使 RAG 能够解决诸如生成幻

觉等问题。RAG 与 LLM 的集成得到了迅速的应用，提高了自然语言处理任务的性能，并且使得模型

能够更好地利用外部知识和背景信息。

知识抽取主要分为命名实体识别和关系抽取两方面。命名实体识别（NER）任务，旨在识别与

特定语义实体类型相关联的文本跨度。该任务最早于 1991 年由 Rau 等人提出。随着信息理解、人

工智能等领域的顶级会议对 NER 任务的评测，其定义逐渐细化和完善，并逐渐成为自然语言处理

（NLP）领域的重要组成部分。然而，不同领域对实体类型的定义存在差异，因此 NER 模型的构建

取决于特定领域任务需求，通常涵盖人物信息、地点信息和组织机构信息等。对于英语、法语、西

班牙语等外语文本，通常采用单词作为基本单位，因此基于这些语言的 NER 模型主要关注单词本身。

的语义特征和上下文信息。然而，中文语料文本通常由字符构成，需要考虑字符的语义信息和词汇

特征，同时引入其他表征信息来提升模型性能，如中文分词（CWS）、语义部分标签（POS）等外部

信息，因此构建中文命名实体识别（CNER）模型更为复杂。目前，NER 任务的研究方法主要包括基

于词典和规则的方法、基于机器学习（ML）的方法以及基于深度学习（DL）的方法。

目前，联合实体和关系提取神经模型可分为参数共享和序列标注两种方式。然而，许多研究将

实体和关系的联合提取看作是序列标记问题。尽管如此，识别复杂的关系仍然是一个具有挑战性的

任务，需要进一步提高联合提取模型的性能。此外，大多数新兴的联合提取神经模型仅在英语基准

上进行了评估，其在其他语言或特定领域的有效性尚待验证。Google 机器翻译团队提出了一种包

括自注意力机制和多头注意力机制的 transformer 结构。相较于循环神经网络（RNN）或卷积神经

网络（CNN），多头注意力机制具有许多吸引人的优点。在中文命名实体识别任务中，数据集中存在

大量非结构化文本，因此需要从多个角度和多层次来提取文本本身的更多特征。近年来，多头注意

力机制在命名实体识别任务中得到了广泛应用。例如，Li 等人采用了基于自注意力机制的深度学

习模型，而 Yin 等人则提出了一种名为 ARCCNER 的模型，该模型利用 CNN 网络学习中文激进特征并

使用自我注意机制自动获取权重。尽管字符特征得到了增强，但激进级别的特征仍然难以获取，这

不仅耗费成本，而且模型性能提升有限，尚未解决 BiLSTM 网络中的信息遗忘