BANER：面向少量样本的边界感知LLM命名实体识别
计算与语言
2024-12-04 v1 人工智能
机器学习
摘要
尽管最近两种阶段原型网络在少量样本命名实体识别（NER）方面取得了显著进展，但仍面临{span} 检测阶段的过/欠检测错误跨度以及类型分类阶段的原型不对齐问题。此外，LLM 在一般性少量信息抽取方面尚未证明其有效性。本文提出一种方法，称为边界感知LLM进行少量样本命名实体识别，以解决上述问题。我们引入边界感知对比学习策略，以增强LLM感知实体边界的能力，以适应通用的实体跨度。此外，我们利用LoRAHub 将目标领域的信息与源领域对齐，从而增强了跨域分类的适应能力。广泛的实验结果表明，我们的框架在各种基准数据集上均优于先前方法，验证了其有效性。特别是，所提出的策略在各种LLM架构上均显示出良好效果。代码和数据已发布于 https://github.com/UESTC-GQJ/BANER。
引用
@article{arxiv.2412.02228,
title = {BANER: Boundary-Aware LLMs for Few-Shot Named Entity Recognition},
author = {Quanjiang Guo and Yihong Dong and Ling Tian and Zhao Kang and Yu Zhang and Sijie Wang},
journal= {arXiv preprint arXiv:2412.02228},
year = {2024}
}
备注
Appear on COLING 2025