PromptNER：面向命名实体识别的提示方法

出人意料地，大语言模型（LLM）连同日益增长的基于提示的启发式方法，如今提供了强大的开箱即用方案，为无数经典NLP问题提供少样本解法。然而，尽管早期结果令人鼓舞，这些基于LLM的少样本方法在命名实体识别（NER）上仍远未达到最先进水平，该领域的主流方法包括通过端到端结构理解学习表示以及在标准标注语料上微调。本文提出PromptNER，一种用于少样本与跨领域NER的新最先进算法。为适配任意新NER任务，PromptNER除标准少样本示例外还需一组实体定义。给定句子，PromptNER提示LLM生成潜在实体列表及相应解释，证明其与该实体类型定义的一致性。值得注意的是，PromptNER在少样本NER上达到最先进性能，在ConLL数据集上F1分数绝对提升4%，在GENIA数据集上绝对提升9%，在FewNERD数据集上绝对提升4%。PromptNER也推进了跨领域NER的最先进水平，超越先前方法（包括不限于少样本设定者），在5个CrossNER目标域中的3个上创下新高，平均F1提升3%，尽管仅使用了不到2%的可用数据。