LLM在信息抽取领域表现出了强大的泛化性和效果，以消费金融行业为例，LLM可用于挖掘营销线索、客户违约原因、客户投诉原因等信息，并提升企业的营销、催收、风控等能力。

1.LLM信息抽取应用

例如，可使用LLM从用户与坐席的对话中抽取对应的营销信息，发现用户需求。

在消费金融领域可挖掘：客户需要的资金量、需要资金的时间、期望的借款利率、期望还款方式等等。

在保险领域可挖掘：客户期望的保险类型、期望缴纳的保费金额、期望保险承保的范围等等。

2.LLM信息抽取面临的问题

当前LLM在信息抽取领域面临的问题较多，例如格式问题，值的合法性问题，角色不清问题（只提user的观点，但是却提取了agent的观点）等等。在所有的问题中，值的准确性是最重要的。因此，可使用LLM Self-Verification方法进行改进。

3.LLM Self-Verification

LLM Self-Verification简称LLM自我验证或者自验证，其内涵为LLM本身对其产生的输出进行验证，判断是否输出正确。通常在使用时包含两个步骤：

步骤1：LLM基于提示词输出提取的信息

步骤2：判断提取的结果是否正确。

因此在整个过程中LLM被使用了两次。

例如一个步骤2的例子如下：

4.LLM Self-Verification的局限性

当前使用两步骤使用LLM的Self-Verification具有如下限制：

• LLM使用了两次，这对于实时系统来说不可接受
• LLM如果提取的结构化信息较多，那么Self-Verification可能存在更多次的调用
• 当前的Self-Verification方法还不能融合到步骤1当中

虽然存在以上方法，但是该方法不失为一种提升LLM信息抽取准确性的简单方法。