ترجمه فارسی مقاله استخراج اطلاعات مبتنی بر GPT-3 برای ایجاد پایگاه‌های دانش قوی

چکیده

This work uses the state-of-the-art language model GPT-3 to offer a novel method of information extraction for knowledge base development. The suggested method attempts to solve the difficulties associated with obtaining relevant entities and relationships from unstructured text in order to extract structured information. We conduct experiments on a huge corpus of text from diverse fields to assess the performance of our suggested technique. The evaluation measures, which are frequently employed in information extraction tasks, include precision, recall, and F1-score. The findings demonstrate that GPT-3 can be used to efficiently and accurately extract pertinent and correct information from text, hence increasing the precision and productivity of knowledge base creation. We also assess how well our suggested approach performs in comparison to the most advanced information extraction techniques already in use. The findings show that by utilizing only a small number of instances in in-context learning, our suggested strategy yields competitive outcomes with notable savings in terms of data annotation and engineering expense. Additionally, we use our proposed method to retrieve Biomedical information, demonstrating its practicality in a real-world setting. All things considered, our suggested method offers a viable way to overcome the difficulties involved in obtaining structured data from unstructured text in order to create knowledge bases. It can greatly increase the precision and effectiveness of information extraction, which is necessary for many applications including chatbots, recommendation engines, and question-answering systems.

چکیده به فارسی (ترجمه ماشینی)

این کار با استفاده از مدل زبان پیشرفته GPT-3 برای ارائه یک روش جدید از استخراج اطلاعات برای توسعه پایه دانش.روش پیشنهادی تلاش می کند تا مشکلات مرتبط با به دست آوردن اشخاص و روابط مربوطه از متن بدون ساختار را به منظور استخراج اطلاعات ساختاری حل کند.ما برای ارزیابی عملکرد تکنیک پیشنهادی ما ، آزمایشاتی را در مورد متن عظیمی از متن از زمینه های متنوع انجام می دهیم.اقدامات ارزیابی ، که اغلب در کارهای استخراج اطلاعات به کار می روند ، شامل دقت ، فراخوان و نمره F1 است.این یافته ها نشان می دهد که از GPT-3 می توان برای استخراج کارآمد و دقیق اطلاعات مربوط به متن را استفاده کرد ، از این رو دقت و بهره وری ایجاد پایه دانش را افزایش می دهد.ما همچنین ارزیابی می کنیم که چگونه رویکرد پیشنهادی ما در مقایسه با پیشرفته ترین تکنیک های استخراج اطلاعات که در حال استفاده است ، عملکرد خوبی دارد.این یافته ها نشان می دهد که با استفاده از تنها تعداد کمی از موارد در یادگیری درون متن ، استراتژی پیشنهادی ما نتایج رقابتی را با پس انداز قابل توجه از نظر حاشیه نویسی داده ها و هزینه مهندسی به دست می آورد.علاوه بر این ، ما از روش پیشنهادی خود برای بازیابی اطلاعات زیست پزشکی استفاده می کنیم و عملی بودن آن را در یک محیط واقعی نشان می دهیم.همه موارد در نظر گرفته شده ، روش پیشنهادی ما یک روش مناسب برای غلبه بر مشکلات موجود در به دست آوردن داده های ساختار یافته از متن بدون ساختار به منظور ایجاد پایگاه های دانش ارائه می دهد.این می تواند دقت و اثربخشی استخراج اطلاعات را تا حد زیادی افزایش دهد ، که برای بسیاری از برنامه های کاربردی از جمله چت بابات ، موتورهای توصیه و سیستم های پاسخ به سؤال ضروری است.