大语言模型在历史文档长尾实体链接上的评估
计算与语言
2025-05-07 v1
摘要
实体链接（EL）在自然语言处理（NLP）应用中扮演着关键角色，它通过将实体提及链接到参考知识库（KB）中的对应条目来实现消歧。凭借其深度的上下文理解能力，大语言模型（LLM）为解决实体链接问题提供了新的视角，有望取得优于传统方法的结果。尽管LLM具有令人印象深刻的泛化能力，但链接不太流行的长尾实体仍然具有挑战性，因为这些实体在训练数据和知识库中往往代表性不足。此外，长尾实体链接任务是一个研究不足的问题，且利用LLM解决该问题的研究有限。在本工作中，我们评估了两种流行的LLM，即GPT和LLama3，在长尾实体链接场景下的性能。我们使用MHERCL v0.1，一个由特定领域历史文本句子构成的人工标注基准，定量比较了LLM与当前最先进的实体链接和关系抽取框架ReLiK在识别实体并将其链接到相应维基数据条目上的表现。我们的初步实验表明，LLM在长尾实体链接中表现令人鼓舞，表明该技术可以成为填补头部实体链接与长尾实体链接之间差距的宝贵辅助手段。
引用
@article{arxiv.2505.03473,
title = {Evaluation of LLMs on Long-tail Entity Linking in Historical Documents},
author = {Marta Boscariol and Luana Bulla and Lia Draetta and Beatrice Fiumanò and Emanuele Lenzi and Leonardo Piano},
journal= {arXiv preprint arXiv:2505.03473},
year = {2025}
}