ChatGPT能解决信息抽取吗？一份关于性能、评估标准、鲁棒性和错误的分析

深度学习自然语言处理 原创 作者：qazw

信息抽取(IE)旨在从非结构化文本中抽取出结构化信息，该结果可以直接影响很多下游子任务，比如问答和知识图谱构建。因此，探索ChatGPT的信息抽取能力在一定程度上能反映出ChatGPT生成回复时对任务指令理解的性能。

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

本文将从性能、评估标准、鲁棒性和错误类型四个角度对ChatGPT在信息抽取任务上的能力进行评估。

实验

实验设置

任务和数据集 本文的实验采用4类常见的信息抽取任务，包括命名实体识别(NER)，关系抽取(RE)，事件抽取(EE)和基于方面的情感分析(ABSA)，它们一共包含14类子任务。

对于NER任务，采用的数据集包括CoNLL03、FewNERD、ACE04、ACE05-Ent和GENIA。

对于RE任务，采用的数据集包括CCoNLL04、NYT-multi、TACRED和SemEval 2010。

对于EE任务，采用的数据集包括CACE05-Evt、ACE05+、CASIE和Commodity News EE。

对于ABSA任务，采用的数据集包括D17、D19、D20a和D20b，均从SemEval Challenges获取。

实验结果

1、性能

从上图结果可以明显看出： （1）ChatGPT和SOTA方法之间存在显著的性能差距； （2）任务的难度越大，性能差距越大； （3）任务场景越复杂，性能差距越大； （4）在一些简单的情况下，ChatGPT可以达到或超过SOTA方法的性能； （5）使用few-shot ICL提示通常有显著提升(约3.0～13.0的F1值)，但仍明显落后于SOTA结果； （6）与few-shot ICL提示相比，few-shot COT提示的使用不能保证进一步的增益，有时它比few-shot ICR提示的性能更差。

2、对性能gap的思考

通过人工检查ChatGPT的回复，发现ChatGPT倾向于识别比标注的跨度更长的sapn，以更接近人类的偏好。因此，之前的硬匹配(hard-matching)策略可能不适合如ChatGPT的LLM，所以本文提出了一种软匹配(soft-matching)策略，算法流程如下。

该算法表明，只要生成和span和标记的span存在包含关系且达到相似度的阈值，则认为结果正确。通过软匹配策略，对重新评估ChatGPT的IE性能，得到的结果如下。

从上图可以看出，软匹配策略带来一致且显著的性能增益(F1值高达14.53)，简单子任务的提升更明显。同时，虽然软匹配策略带来性能提升，但仍然没有达到SOTA水平。

3、鲁棒性分析 （1）无效输出

在大多数情况下，ChatGPT很少输出无效回复。然而在RE-Triplet子任务中，无效回复占比高达25.3%。一个原因可能这个子任务更加与众不同。

（2）无关上下文 由于ChatGPT对不同的提示非常敏感，本文研究了无关上下文对ChatGPT在所有IE子任务上性能的影响。主要通过在输入文本前后随机插入一段无关文本来修改zero-shot提示的“输入文本”部分，无关文本不包含要提取的目标信息span，结果如图所示。

可以看出，当随机添加无关上下文时，大多数子任务的性能都会显著下降(最高可达48.0%)。ABSA-ALSC和RE-RC子任务的性能下降较小，这是因为它们基于给定的方面项或实体对进行分类，受到无关上下文的影响较小。因此，ChatGPT对无关上下文非常敏感，这会显著降低IE任务的性能。

（3）目标类型的频率 真实世界的数据通常为长尾分布，导致模型在尾部类型上的表现比在头部类型上差得多。本文研究了“目标类型的频率”对ChatGPT在所有IE子任务中的性能的影响，结果如图所示。

可以看出，尾部类型的性能明显不如头部类型，仅高达头部类型的75.9%。在一些子任务上，比如RE-RC和RE-Triplet，尾部类型的性能甚至低于头部类型性能的15%，所以ChatGPT也面临长尾问题的困扰。

（4）其他 本文探讨了ChatGPT是否可以区分RE-RC子任务中两个实体的主客观顺序。由于大多数关系类型都是非对称的，因此两个实体的顺序非常关键。对于非对称关系类型的每个实例，交换实体的顺序并检测预测结果的变化，结果如图所示。

可以看到，交换顺序后大多数预测结果(超过70%)与交换前保持不变。因此对于RE-RC子任务，ChatGPT对实体的顺序不敏感，而且无法准确理解实体的主客体关系。

4、错误类型分析

从图中可以看出，“Unannotated spans”、“Incorrect types”和“Missing spans”是三种主要的错误类型，占70%以上。特别是，几乎三分之一的错误是“Unannotated spans”的错误，这也引发了对标注数据质量的担忧。

总结

本文从性能、评估标准、鲁棒性和错误类型四个角度评估了ChatGPT的信息抽取能力，结论如下：

性能 本文评估了ChatGPT在zero-shot、few-shot和chain-of-thought场景下的17个数据集和14个IE子任务上的性能，发现ChatGPT和SOTA结果之间存在巨大的性能差距。

评估标准 本文重新审视了性能差距，发现硬匹配策略不适合评估ChatGPT，因为ChatGPT会产生human-like的回复，并提出软匹配策略，以更准确地评估ChatGPT的性能。

鲁棒性 本文从四个角度分析了ChatGPT对14个子任务的鲁棒性，包括无效输出、无关上下文、目标类型的频率和错误类型并得出以下结论：1）ChatGPT很少输出无效响应；2）无关上下文和长尾目标类型极大地影响了ChatGPT的性能；3）ChatGPT不能很好地理解RE任务中的主客体关系。

错误类型 通过人工检查，本文分析了ChatGPT的错误，总结出7种类型，包括Missing spans、Unmentioned spans、Unannotated spans、Incorrect span offsets、Undefined types、Incorrect types和other。发现“Unannotated spans”是最主要的错误类型。这引发了大家对之前标注数据质量的担心，同时也表明利用ChatGPT标记数据的可能性。