少即是多：通过为零样本命名实体识别丰富提示中的定义和指南
计算与语言
2024-09-19 v3
摘要
最近，针对命名实体识别（NER）的几种专门指令调优大语言模型（LLM）涌现出来。与传统NER方法相比，这些模型展现出强大的泛化能力。现有的LLM主要关注解决零样本NER的跨域输入问题，同时在大量实体类别上进行微调，这些实体类别常常高度或完全重叠于测试集。在本工作中，我们提出了SLIMER方法，旨在通过指令化的方式处理从未见过的实体标签，同时利用丰富定义和指南的提示来实现更少的示例。实验表明，定义和指南能够提供更好的性能、更快的学习速度以及更稳健的学习，尤其是在标记未见过的命名实体时。此外，SLIMER在跨域零样本NER方面的性能与最新方法相当，同时在更公平、尽管更具挑战性的设置下进行训练。
引用
@article{arxiv.2407.01272,
title = {Show Less, Instruct More: Enriching Prompts with Definitions and Guidelines for Zero-Shot NER},
author = {Andrew Zamai and Andrea Zugarini and Leonardo Rigutini and Marco Ernandes and Marco Maggini},
journal= {arXiv preprint arXiv:2407.01272},
year = {2024}
}