FsPONER：面向领域特定场景的命名实体识别少样本提示优化

大型语言模型（LLM）为命名实体识别（NER）任务提供了新路径。与微调方法相比，LLM驱动的提示方法无需训练，节省大量计算资源，且仅依赖少量标注数据。先前研究在通用NER基准上实现了与完全监督的BERT微调方法相当的性能。然而，尚无研究探讨LLM基于少样本学习在领域特定场景中的效率。为填补这一空白，本文引入FsPONER，一种用于优化少样本提示的新方法，并在领域特定NER数据集上评估其性能，聚焦工业制造与维护领域，同时使用多个LLM——GPT-4-32K、GPT-3.5-Turbo、LLaMA 2-chat及Vicuna。FsPONER包含基于随机抽样、TF-IDF向量以及两者结合的三种少样本选择方法。我们将这些方法与通用GPT-NER方法进行比较，随着少样本示例数量的增加评估其最佳NER性能，并对比在微调BERT和LLaMA 2-chat上的表现。在所考虑的实际场景中数据稀缺的情况下，FsPONER采用TF-IDF方法在F1分数上超过微调模型约10%。