SAM-NER：语义原型中介用于零样图命名实体识别
计算与语言
2026-05-06 v1 人工智能
摘要
零样命名实体识别 (ZS-NER) 在域和模式迁移情况下往往不稳健，由于不可见标签定义常与大语言模型(LLM)固有的语义组织产生偏差。直接将实体提及映射到细粒度目标标签会导致系统性语义漂移，尤其当目标模式新颖或语义重叠时更为如此。我们提出\textbf{SAM-NER}，一个基于语义原型中介 (Semantic Archetype Mediation) 的三阶段框架，通过中间、域无关的原型空间来稳定跨域迁移。SAM-NER: (i) 通过协同抽取和基于共识的去噪进行实体发现，以获得高覆盖率、高保真度的实体片段；(ii) 通过投影到从高层本体抽象提炼出的通用语义原型集合中进行抽象中介；(iii) 通过受限的、定义对齐的推理（使用冻结的LLM）将原型级别的预测解析为目标域类型。在CrossNER基准测试上，实验表明SAM-NER在跨域设置下 consistently 优于强大的零样ZER基线。我们的实现将在https://github.com/DMIRLAB-Group/SAM-NER 上开源。
引用
@article{arxiv.2605.03706,
title = {SAM-NER: Semantic Archetype Mediation for Zero-Shot Named Entity Recognition},
author = {Ruichu Cai and Juntao Gan and Miao Mai and Zhifeng Hao and Boyan Xu},
journal= {arXiv preprint arXiv:2605.03706},
year = {2026}
}
备注
Accepted to Findings of ACL 2026