面向低资源实体匹配的属性引导提示调优
计算与语言
2026-03-23 v1 人工智能
摘要
实体匹配（EM）是一种重要任务，用于确定两个实体之间的逻辑关系，如相同、不同或不可判定。传统的EM方法高度依赖监督学习，需要大量高质量的标记数据。这种标注过程既耗时又昂贵，限制了实际应用。因此，对能够在有限标记数据下表现良好的低资源EM方法急需。最近的提示调优方法在低资源EM方面表现有前景，但主要关注实体层面的匹配，常常忽视关键属性层面的信息。此外，这些方法通常缺乏可解释性和可解释性。为此，本文引入PROMPTATTRIB，通过属性层面提示调优和逻辑推理来解决EM问题。PROMPTATTRIB使用实体层面和属性层面的提示来整合更丰富的上下文信息，并采用模糊逻辑公式推断最终匹配标签。通过显式考虑属性，该模型获得更深入的实体理解，从而实现更准确的匹配。此外，PROMPTATTRIB集成了基于dropout的对比学习于软提示，灵感来自SimCSE，进一步提升了EM性能。大量在真实数据集上的实验表明PROMPTATTRIB的有效性。
引用
@article{arxiv.2603.19321,
title = {Prompt-tuning with Attribute Guidance for Low-resource Entity Matching},
author = {Lihui Liu and Carl Yang},
journal= {arXiv preprint arXiv:2603.19321},
year = {2026}
}