微生物组领域中用于生成式关系抽取的摘要方法
Summarization for Generative Relation Extraction in the Microbiome Domain
AI总结：
针对肠道微生物组这一低资源生物医学领域，提出利用LLM摘要优化上下文的生成式关系抽取流程，初步证明其可降噪并提升性能，但仍不及基于BERT的方法。
摘要：
我们探索了一种为研究肠道微生物组相互作用而定制的生成式关系抽取（RE）流程，肠道微生物组是一个复杂且低资源的生物医学领域。我们的方法利用大型语言模型（LLM）进行摘要，以在通过指令微调生成来抽取关系之前优化上下文。在专用语料库上的初步结果表明，摘要通过减少噪声并引导模型，提升了生成式RE的性能。然而，基于BERT的RE方法仍优于生成式模型。这项正在进行的工作展示了生成式方法在低资源环境下支持专业领域研究的潜力。
英文摘要：
We explore a generative relation extraction (RE) pipeline tailored to the study of interactions in the intestinal microbiome, a complex and low-resource biomedical domain. Our method leverages summarization with large language models (LLMs) to refine context before extracting relations via instruction-tuned generation. Preliminary results on a dedicated corpus show that summarization improves generative RE performance by reducing noise and guiding the model. However, BERT-based RE approaches still outperform generative models. This ongoing work demonstrates the potential of generative methods to support the study of specialized domains in low-resources setting.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
