基于通用大语言模型的标签对齐与重新分配以提升跨域命名实体识别

命名实体识别在领域内的监督和少样本设置方面已得到 NLP 社区的广泛讨论并取得了显著进展。然而，跨域命名实体识别——这在实际场景中更为常见——仍然是大多数 NER 方法面临的挑战。以往在该领域的研究主要关注知识传递，例如从源域到目标域传递标签信息，但鲜有工作关注标签冲突的问题。本研究中，我们引入一种标签对齐与重新分配方法，称为 LAR，以增强跨域命名实体识别，该方法包括两个核心程序：源域与目标域之间的标签对齐以及用于类型推断的标签重新分配。通过与先进的大规模语言模型（如 ChatGPT）集成，标签重新分配的过程可以显著增强。我们在涉及监督和零样本情形的 NER 数据集上进行了广泛实验。实验结果表明，在监督和零样本跨域设置下与 SOTA 方法相比，我们的方法表现显著。