文章探讨了使用大语言模型（如GPT）从文本知识源中抽取针灸穴位位置关系的效果。研究比较了GPT与传统深度学习模型（LSTM和BioBERT）在关系抽取任务中的表现，并评估了预训练和微调对GPT性能的影响。实验结果表明，经过微调的GPT-3.5在所有关系类型中均表现出色，其微平均F1分数达到0.92。研究结果展示了LLMs在针灸知识建模中的潜力，为传统医学的信息学应用提供了新的方向。
针灸作为传统中医学的重要组成部分，其疗效依赖于穴位的准确定位。然而，从文本中自动抽取穴位位置关系是一项具有挑战性的任务。近年来，大语言模型（LLM）在自然语言处理任务中展现出强大的能力，为针灸知识的结构化提供了新的可能性。
研究采用世界卫生组织（WHO）发布的《标准针灸穴位定位》作为数据源，包含361个穴位的详细描述。通过人工标注，定义了五种关系类型：方向关系（direction_of）、距离关系（distance_of）、部分关系（part_of）、邻近穴位关系（near_acupoint）以及邻近解剖结构关系（located_near），共计3,174对关系。
研究对比了五种模型的表现：BioBERT、LSTM、预训练GPT-3.5、微调GPT-3.5以及预训练GPT-4。评估指标包括精确率、召回率和F1分数。
实验结果显示，微调后的GPT-3.5在所有关系类型中均表现最佳，其微平均F1分数达到0.92。相比之下，传统深度学习模型（如LSTM和BioBERT）在捕捉复杂空间关系时表现较差。预训练的GPT-4虽然具备强大的语言理解能力，但在未经过微调的情况下，其表现仍不及微调后的GPT-3.5。
研究还发现，模型在抽取跨句关系和复杂空间关系时存在一定局限性。例如，对于“near_acupoint”关系，模型的错误率较高，表明其在理解相邻穴位关系时仍需改进。
研究表明，大语言模型在针灸穴位关系抽取任务中具有显著优势，尤其是经过微调的GPT-3.5表现尤为突出。这一发现为针灸知识的数字化和标准化提供了重要支持，同时也展示了LLMs在传统医学领域的应用潜力。未来的研究可以进一步扩展数据集，提升模型对复杂关系的理解能力。