关键在于置信度：一种基于大语言模型的无监督多语言历史实体链接方法
计算与语言
2026-01-14 v1
摘要
尽管随着大语言模型（LLM）的出现，自然语言处理（NLP）取得了近期进展，但由于语言变异、含噪输入以及不断演变的语义约定，历史文本的实体链接（EL）仍具挑战性。现有解决方案要么需要大量训练数据，要么依赖于限制可扩展性的特定领域规则。在本文中，我们提出了 MHEL-LLaMo（基于大语言模型的多语言历史实体链接），这是一种结合小型语言模型（SLM）和 LLM 的无监督集成方法。MHEL-LLaMo 利用多语言双编码器（BELA）进行候选检索，并利用指令微调的 LLM 通过提示链进行 NIL 预测和候选选择。我们的系统使用 SLM 的置信度分数来区分简单和困难样本，仅对困难情况应用 LLM。该策略降低了计算成本，同时防止了在简单情况下的幻觉。我们在 19 世纪和 20 世纪六种欧洲语言（英语、芬兰语、法语、德语、意大利语和瑞典语）的四个既定基准上评估了 MHEL-LLaMo。结果表明，MHEL-LLaMo 无需微调即可超越现有最先进模型，为低资源历史实体链接提供了可扩展的解决方案。MHEL-LLaMo 的实现已在 Github 上公开。
引用
@article{arxiv.2601.08500,
title = {It's All About the Confidence: An Unsupervised Approach for Multilingual Historical Entity Linking using Large Language Models},
author = {Cristian Santini and Marieke Van Erp and Mehwish Alam},
journal= {arXiv preprint arXiv:2601.08500},
year = {2026}
}