大语言模型在生物医学关系抽取中的少样本学习实践

本文介绍开源项目few-shot-biore，旨在探索开源大语言模型在生物医学关系抽取（BioRE）任务上的少样本学习能力，并对比传统监督学习方法的效果与可行性。项目提供完整的实验框架与评估体系，为生物医学自然语言处理领域提供实用参考。

生物医学关系抽取（BioRE）是从生物医学文献中自动识别实体间语义关系的关键技术。传统方法依赖大量标注数据进行监督学习，但生物医学领域的标注成本极高且需专业知识。少样本学习通过利用大语言模型预训练知识，仅需少量示例即可完成特定关系类型抽取，为解决标注瓶颈提供新思路。

few-shot-biore是开源研究项目，配套论文《Few-Shot Biomedical Relation Extraction with Large Language Models: A Viable Alternative to Supervised Learning?》，系统性对比提示工程与监督学习性能差异。核心特点包括：基于BioREDirect标准数据集评测；支持多种开源大语言模型；完整流水线（从数据解析到结果评估）；模块化代码便于复现扩展。

项目采用三阶段流水线架构：

1. 数据预处理：使用parse.py将BioREDirect数据集的PubTator格式转为结构化JSON；
2. 关系抽取：extract.py加载大语言模型，通过精心构造的少样本提示模板执行抽取；
3. 评估：evaluate目录提供标准化脚本，计算精确率、召回率、F1分数等指标。

1. 少样本提示设计：选取训练集中代表性示例，构造包含输入文本、实体对和关系标签的提示，引导模型理解生物医学关系语义模式，无需微调参数；
2. 开源模型支持：模型无关架构，可接入Hugging Face生态中的多种开源大语言模型，灵活探索模型能力与任务性能的关系。

1. 降低标注成本：少样本方法仅需几十个示例即可达到传统监督学习相近效果，大幅降低领域标注门槛；
2. 加速研究迭代：无需训练模型参数，可快速尝试不同提示策略、示例选择方法和模型配置；
3. 促进领域迁移：大语言模型通用语义能力易迁移到新关系类型或生物医学子领域。

使用步骤：

1. 安装依赖：pip install -r requirements.txt；
2. 下载数据集：wget https://ftp.ncbi.nlm.nih.gov/pub/lu/BioREDirect；
3. 运行数据解析：python parse.py；
4. 执行关系抽取：python extract.py；
5. 结果评估：使用evaluate目录下的脚本。

few-shot-biore为生物医学关系抽取领域提供实用开源基准，证明开源大语言模型在少样本场景下的潜力。随模型能力提升与数据积累，少样本学习有望成为传统监督学习的可行替代（尤其标注资源受限场景）。项目为领域研究者与开发者提供完整代码实现和评估框架，值得参考复用。