面向少样本命名实体识别的大语言模型
计算与语言
2025-10-30 v3 信息检索
摘要
命名实体识别（NER）是众多下游应用中的一项基础任务。近年来，研究者采用预训练语言模型（PLMs）和大语言模型（LLMs）来解决该任务。然而，以最小的人力成本充分利用 PLMs 和 LLMs 的能力仍然具有挑战性。本文中，我们提出 GPT4NER，一种提示 LLMs 以解决少样本 NER 任务的方法。GPT4NER 使用三个关键组件构建有效提示：实体定义、少样本示例和思维链。通过这些有效提示来提示 LLMs，GPT4NER 将传统上被视为序列标注问题的少样本 NER 转化为序列生成问题。我们在两个基准数据集 CoNLL2003 和 OntoNotes5.0 上进行了实验，并将 GPT4NER 的性能与少样本和全监督设置下具有代表性的最先进（SOTA）模型进行比较。实验结果表明，GPT4NER 在 CoNLL2003 上达到 83.15% 的 ，在 OntoNotes5.0 上达到 70.37%，以平均 7 分的差距显著优于少样本基线。与全监督基线相比，GPT4NER 在 CoNLL2003 上达到其最佳性能的 87.9%，在 OntoNotes5.0 上达到其最佳性能的 76.4%。我们还采用宽松匹配度量进行评估，并在命名实体抽取（NEE）子任务中报告性能，实验证明了它们有助于更好地理解模型在 NER 任务中的行为。
引用
@article{arxiv.1810.06818,
title = {Large Language Models for Few-Shot Named Entity Recognition},
author = {Yufei Zhao and Xiaoshi Zhong and Erik Cambria and Jagath C. Rajapakse},
journal= {arXiv preprint arXiv:1810.06818},
year = {2025}
}
备注
17 pages, 2 figures. Accepted by AI, Computer Science and Robotics Technology (ACRT)