Enhancing Generative Information Extraction with Two-step Validation: A Product Attribute Use Case
两阶段验证增强生成式信息抽取：产品属性用例
🧭 生成式信息抽取 · 两阶段验证
Computer Science Institute, Ruhr West University of Applied Sciences
将小型PLM预测结果作为LLM的校验输入，提升低显著性实体的抽取效果，减少对大型模型的依赖
📌 工作参考价值（4 点）
- 在商品信息抽取（如电商详情、DPP数据）场景，可用小模型先抽属性，再让中等LLM校验修正，平衡效果与成本。
- 两阶段流水线可本地部署小LLM，避免调用外部API，保护数据隐私，适合商品描述等敏感文本。
- 对于低频、表述模糊的实体（如‘可回收包装’），PLM易漏召，LLM校验可显著提升召回，可针对性地用于这类属性。
- 中等模型（7B-13B）在校验任务上可逼近大模型性能，延迟和成本更低，推荐在搜索推荐系统的离线信息抽取模块中尝试。