TailNLG：面向长尾实体 verbalization 的多语言基准
计算与语言
2026-03-31 v1
摘要
结构化知识的自动 verbalization 是使知识图谱易于非专家用户访问并支持检索增强生成系统的关键任务。尽管近期数据到文本生成技术的进步提升了多语言覆盖率，但对长尾实体 verbalization 偏差的关注仍很少。本文首次系统性地研究了数据到文本生成中的长尾实体问题。我们引入 TailNLG，一个覆盖英语、意大利语和西班牙语的新型多语言基准数据集，基于 Wikidata 构建，涵盖不同受欢迎程度的实体。我们评估了三类大型语言模型在零-shot 设置下的表现，比较了稀有实体与常见实体之间的性能差异，并对比了既有的 WebNLG 基准。我们的结果揭示，长尾实体存在持续的偏差：其嵌入得分较低，模型不确定性更高。我们进一步表明，长尾实体的影响在不同模型和语言之间存在差异，现有评估指标无法一致捕捉这些差异，这凸显了需要更可靠评估框架的需求。
引用
@article{arxiv.2603.27768,
title = {TailNLG: A Multilingual Benchmark Addressing Verbalization of Long-Tail Entities},
author = {Lia Draetta and Michael Oliverio and Virginia Ramón-Ferrer and Pier Felice Balestrucci and Flaviana Corallo and Carlos Badenes-Olmedo and Alessandro Mazzei and Marco Antonio Stranisci and Rossana Damiano},
journal= {arXiv preprint arXiv:2603.27768},
year = {2026}
}