面向零样本命名实体识别的合作多智能体框架
信息检索
2025-02-27 v1 计算与语言
摘要
零样本命名实体识别（NER）旨在从未标注的文本语料库中开发实体识别系统。该任务由于缺乏人工标注，面临诸多挑战。最近的研究通过构建专业提示模板来适配大型语言模型（LLM）实现零样本NER，进而通过纳入自标注示例提升模型自我学习能力。然而，仍存在两个重要挑战：（i）对实体周围语境之间的关联性忽略，导致错误类型预测或实体遗漏。（ii）通过基于浅层相似性策略检索到的示范性样本被滥用，严重误导LLM在推理过程中的决策。本文引入合作多智能体系统（CMAS），一种 novel的零样本NER框架，利用多个智能体的集体智慧来解决上述挑战。CMAS包含四个主要智能体：（i）自标注器、（ii）类型相关特征（TRF）提取器、（iii）示范性样本判别器，以及（iv）总体预测器。为显式捕获实体周围语境之间的关联性，CMAS将NER改造为两个子任务：命名实体识别与在目标句子中识别实体类型相关特征。为实现对示范性样本使用的可控化，构建了一个示范性样本判别器，引入自反思机制，自动为目标句子评估示范性样本的有用性得分。实验结果表明，CMAS在包括域特定与通用域在内的六大基准上显著提升了零样本NER性能。此外，CMAS在few-shot设置下同样有效，并且可与各种LLM骨架模型配合使用。
引用
@article{arxiv.2502.18702,
title = {A Cooperative Multi-Agent Framework for Zero-Shot Named Entity Recognition},
author = {Zihan Wang and Ziqi Zhao and Yougang Lyu and Zhumin Chen and Maarten de Rijke and Zhaochun Ren},
journal= {arXiv preprint arXiv:2502.18702},
year = {2025}
}
备注
Accepted at WWW 2025