OneNet：基于大语言模型提示的无微调少样本实体链接框架
计算与语言
2024-10-11 v1 人工智能
摘要
实体链接（EL）是将模糊文本提及关联到知识库中特定实体的过程。传统 EL 方法高度依赖大规模数据集来提升性能，而在少样本实体链接场景中，仅提供有限的训练示例，这种依赖关系便成为问题。为此，本文提出一种新型框架 OneNet，利用大语言模型（LLM）的少样本学习能力，无需微调即可实现实体链接。据我们了解，这是首次将大语言模型应用于少样本实体链接任务。OneNet 由三个关键组件构成，均由 LLM 提示生成：（1）实体简化处理器，通过总结和过滤无关实体来简化输入；（2）双视角实体链接器，结合上下文线索和先验知识实现精准实体链接；（3）实体共识判断器，采用独特的一致性算法以缓解实体链接推理中的幻觉。对七个基准数据集进行全面评估显示，OneNet 在性能上优于当前最先进的实体链接方法。
引用
@article{arxiv.2410.07549,
title = {OneNet: A Fine-Tuning Free Framework for Few-Shot Entity Linking via Large Language Model Prompting},
author = {Xukai Liu and Ye Liu and Kai Zhang and Kehang Wang and Qi Liu and Enhong Chen},
journal= {arXiv preprint arXiv:2410.07549},
year = {2024}
}
备注
Accepted by EMNLP 2024 Main