ReverseNER：一种自生成示例驱动的基于大语言模型的零样本命名实体识别框架
计算与语言
2024-12-30 v4 人工智能
摘要
本文提出了ReverseNER，旨在克服大语言模型（LLMs）在零样本命名实体识别（NER）任务中因依赖预先提供的示例而存在的局限性。ReverseNER通过构建一个可靠的示例库来应对这一挑战，该示例库由数十个实体标注句子组成，这些句子通过NER的逆过程生成。具体而言，传统NER方法在句子中标注实体，而ReverseNER则通过利用LLM从实体定义生成实体，并将其扩展为完整句子来逆转该过程。在实体扩展过程中，LLM被引导通过复制一组从任务句子中聚类提取的特定特征句子的结构来生成句子。该扩展过程产生了数十个与任务相关的实体标注句子。构建示例库后，该方法为每个任务句子选择若干语义相似的实体标注示例作为参考，以辅助LLM的实体识别。我们还提出了实体级自一致性评分机制，以提升LLM的NER性能。实验表明，ReverseNER显著优于其他基于LLM的零样本NER方法，在无标注数据的领域NER方面取得了显著改进，同时降低了计算资源消耗。
引用
@article{arxiv.2411.00533,
title = {ReverseNER: A Self-Generated Example-Driven Framework for Zero-Shot Named Entity Recognition with Large Language Models},
author = {Anbang Wang and Difei Mei and Zhichao Zhang and Xiuxiu Bai and Ran Yao and Zewen Fang and Min Hu and Zhirui Cao and Haitao Sun and Yifeng Guo and Hongyao Zhou and Yu Guo},
journal= {arXiv preprint arXiv:2411.00533},
year = {2024}
}