HCRE：予測してから検証する戦略に基づく、文書をまたぐ関係抽出のためのLLMベース階層型分類

要旨: 文書間関係抽出（RE）は、異なる文書に配置された先頭（head）エンティティと末尾（tail）エンティティの間に存在する関係を特定することを目的とする。既存の手法は一般に、「``\textit{小型言語モデル（SLM） + 分類器}''」というパラダイムを採用する。しかし、SLMの言語理解能力が限定的であることが、性能のさらなる向上を妨げている。本論文では、文書間REにおける大規模言語モデル（LLM）の性能を検討するための予備的研究を行う。膨大なパラメータを持つにもかかわらず、我々の知見では、LLMが既存のSLMを一貫して上回るとは限らないことが示される。さらに分析すると、その性能不振は主として、多数の事前定義された関係がもたらす困難によるところが大きいことが示唆される。この問題を克服するために、文書間\underline{RE}（HCRE）のためのLLMベースの\underline{H}ierarchical \underline{C}lassificationモデルを提案する。これは2つの中核要素から構成される：1）関係予測のためのLLM、2）事前定義された関係集合から導出される\textit{階層的関係ツリー}である。このツリーにより、LLMは階層的分類を行うことができ、対象となる関係はレベルごとに推論される。子ノードの数は、事前定義された関係集合全体のサイズに比べてはるかに小さいため、階層的関係ツリーは推論時にLLMが考慮する必要のある関係候補の数を大幅に減らす。しかし、階層的分類はレベル間での誤り伝播のリスクを伴う。これを軽減するために、各レベルでのマルチビュー検証を通じて予測の信頼性を向上させる\textit{予測してから検証する}推論戦略を提案する。大規模な実験の結果、HCREは既存のベースラインを上回り、その有効性が検証される。