摘要
在使用大语言模型（LLMs）从非结构化文本中进行语义数据提取时，生成自然语言中的候选关系事实可能在需要复杂组合推理和全局一致性的任务中表现不佳。本文提出了一种逻辑引导的数据提取框架，将基于LLM的提取与答集编程（ASP）相结合。
LLM负责生成候选事实，而ASP则执行验证、推理、一致性检查和控制。与现有管道独立查询LLM所有目标谓词不同，所提方法利用ASP推理在每个阶段识别哪些谓词在逻辑上是允许的，并引导提取查询。
通过将LLM调用与ASP推导交错进行，该框架能够推断出逻辑上隐含的事实，而无需进一步的提取，并能及早检测不一致性。
我们形式化了该管道，并证明在温和的假设下，最终提取的事实与基线方法是等效的，同时需要的LLM调用次数更少。我们还引入了逻辑控制查询的缓存机制，利用增量构造事实集上合取查询的单调性，减少求解器调用次数。实验结果表明，该框架减少了LLM的调用次数，提高了提取质量，降低了虚假输出，展示了非单调逻辑编程在受控语义提取中的价值。
博主点评： 该框架通过结合大语言模型和答集编程，显著提升了数据提取的质量与效率，尤其是在处理复杂逻辑关系时，展现了新颖的思路和实践价值，值得进一步研究与应用。