超越微调：面向本体漂移的鲁棒食物实体链接（FoodOntoRAG）
计算与语言
2026-03-11 v1
摘要
标准化食物术语至关重要，这是可信的饮食评估和安全报告的前提。当前食物与营养领域的命名实体链接（NEL）主流方法通过在特定语料库上微调大型语言模型（LLM）。虽然有效，但微调代价高昂、将模型绑定于特定本体快照（即版本），并在本体漂移情形下性能下降。本文提出 FoodOntoRAG，一个面向 few-shot NEL 的模型-本体无关管线，通过检索领域本体中的候选实体并以结构化证据（食物标签、同义词、定义及关系）为 LLM 条件化。混合词法-语义检索器枚举候选实体；选择器智能体选出最佳匹配并给出依据；独立的评分器智能体校准置信度；当置信度低于阈值时，同义词生成器智能体提出改写方案重新进入循环。该管线在保持达到 SOTA 准确率的同时，揭示了现有标注数据的空洞与不一致性。该设计规避微调，提高对本体演化的鲁棒性，并通过基于扎实依据的解释性决策实现可解释性。
引用
@article{arxiv.2603.09758,
title = {Beyond Fine-Tuning: Robust Food Entity Linking under Ontology Drift with FoodOntoRAG},
author = {Jan Drole and Ana Gjorgjevikj and Barbara Korouši'c Seljak and Tome Eftimov},
journal= {arXiv preprint arXiv:2603.09758},
year = {2026}
}
备注
Preprint