KoGNER：面向生物医学命名实体识别的知识图谱蒸馏新框架
计算与语言
2025-03-21 v1
摘要
命名实体识别 (NER) 是自然语言处理(NLP)中的基础任务，在信息抽取、问答和知识库系统中发挥关键作用。传统深度学习-based NER 模型常在域内泛化方面受限，且面临数据稀疏问题。本文引入 Knowledge Graph 蒸馏命名实体识别 (KoGNER)，一种新方法，将知识图谱(KG)蒸馏集成到 NER 模型中以提升实体识别性能。该框架利用 KG 中的结构化知识表示丰富上下文嵌入，从而改善实体分类并减少实体检测的歧义。KoGNER 采用两步流程：(1) 知识蒸馏，将外部知识源蒸馏为轻量级表示以便无缝集成到 NER 模型；(2) 实体感知增强，将已用知识图谱信息丰富后的上下文嵌入直接集成到 GNN 中，从而提升模型理解和表示实体关系的能力。基准数据集上的实验结果表明，KoGNER 实现了最先进的性能，显著优于微调 NER 模型和大语言模型(LLM)。这些发现表明，利用知识图谱作为辅助信息可显著提升 NER 准确率，使 KoGNER 成为知识感知 NLP 未来研究的有前景的方向。
引用
@article{arxiv.2503.15737,
title = {KoGNER: A Novel Framework for Knowledge Graph Distillation on Biomedical Named Entity Recognition},
author = {Heming Zhang and Wenyu Li and Di Huang and Yinjie Tang and Yixin Chen and Philip Payne and Fuhai Li},
journal= {arXiv preprint arXiv:2503.15737},
year = {2025}
}