通过自适应路由和有针对性推理利用大语言模型的实体链接
计算与语言
2025-11-20 v2 人工智能
摘要
实体链接（EL）传统上依赖大规模标注数据集和大量模型微调。虽然最近的零样本方法通过提示技术利用大语言模型（LLM）以减少训练需求，但往往因昂贵的 LLM 推理而效率低下。ARTER（自适应路由和有针对性实体推理）提供了一种结构化管道，无需深度微调即可实现高性能，通过战略性地结合候选生成、基于上下文的评分、自适应路由和选择性推理。ARTER 对检索到的候选对象计算一小组互补信号（包括嵌入和 LLM 基于信号），将语境中的提及分类为易处理和难处理两种情况。随后，分别由低计算实体链接器（如 ReFinED）和更高成本的针对性 LLM 推理来处理这两种情况。在标准基准测试中，ARTER 比 ReFinED 性能提升最高可达 +4.47%，在 6 个数据集中的 5 个数据集上平均提升 +2.53%，在所有数据集上与使用 LLM 进行全链路推理的管道相当，同时仅需约其一半的 LLM token 数量。
引用
@article{arxiv.2510.20098,
title = {Leveraging the Power of Large Language Models in Entity Linking via Adaptive Routing and Targeted Reasoning},
author = {Yajie Li and Albert Galimov and Mitra Datta Ganapaneni and Pujitha Thejaswi and De Meng and Priyanshu Kumar and Saloni Potdar},
journal= {arXiv preprint arXiv:2510.20098},
year = {2025}
}
备注
Accepted to EMNLP 2025 Industry Track