接收期刊：Expert Systems With Applications。中文简介：语言模型的规模化发展已彻底变革了多种 NLP 任务，然而大型语言模型（LLMs）在低资源关系三元组抽取（Relation Triplet Extraction, RTE）领域的探索能力仍未得到充分研究。本文通过系统实验，研究了基于 FlanT5 模型的上下文学习（ICL）的- 样本示例演示和指令微调（Instruction Tuning）的多样本策略，用于少样本与零样本关系三元组抽取。为提升低资源场景性能，我们进一步提出多种类型的演示示例和任务相关指令以生成数据。具体包括（1）利用 LLMs 构建结构化提示模板，基于结构化文本生成合成训练数据；（2）系统性探索指令微调与上下文学习中示例的边界效应问题，评估其对模型性能的影响；（3）针对单句中多关系三元组抽取的挑战，设计新型多重三元组搜索算法（MTS）。