大模型做结构化信息抽取的方法主要包括以下几种：
1. 基于规则的方法：这种方法主要是通过定义一些规则，然后根据这些规则来抽取结构化信息。例如，如果一个句子中包含“是”和“不是”，那么可以认为这个句子包含了两个对立的观点，这就是一个简单的规则。
2. 基于机器学习的方法：这种方法主要是通过训练一个机器学习模型来学习如何从文本中抽取结构化信息。例如，可以使用自然语言处理（NLP）技术，如词嵌入、序列标注等，来训练一个模型，使其能够自动地从文本中抽取结构化信息。
3. 基于深度学习的方法：这种方法主要是通过使用深度学习模型来学习如何从文本中抽取结构化信息。例如，可以使用卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型，来学习文本中的语义信息，从而抽取结构化信息。
4. 基于图神经网络的方法：这种方法主要是通过使用图神经网络来学习如何从文本中抽取结构化信息。例如，可以使用图神经网络中的节点表示文本中的单词，边表示单词之间的关系，从而抽取结构化信息。
5. 基于序列模型的方法：这种方法主要是通过使用序列模型来学习如何从文本中抽取结构化信息。例如，可以使用循环神经网络（RNN）或长短期记忆网络（LSTM）等序列模型，来学习文本中的上下文信息，从而抽取结构化信息。
6. 基于注意力机制的方法：这种方法主要是通过使用注意力机制来学习如何从文本中抽取结构化信息。例如，可以使用自注意力机制或位置编码等注意力机制，来关注文本中的不同部分，从而抽取结构化信息。
以上各种方法都有其优缺点，实际应用中可以根据具体的需求和场景选择合适的方法。
