VicunaNER：使用 Vicuna 的零样本/少样本命名实体识别

大语言模型（LLMs，如 ChatGPT）在命名实体识别（NER）中展现了令人印象深刻的零样本和少样本能力。然而，这些模型仅能通过在线 API 访问，可能导致数据泄露和不可复现的问题。本文中，我们提出了 VicunaNER，一个基于新发布开源 LLM——Vicuna 的零/少样本 NER 框架。VicunaNER 是一个两阶段框架，每个阶段利用与 Vicuna 的多轮对话从文本中识别实体。我们将第二阶段命名为再识别（Re-Recognition），用于识别第一阶段（即识别）中未被识别的实体。此外，我们在每个阶段设置了实体正确性检查对话以过滤错误实体。我们在跨越 5 个领域的 10 个数据集上评估了 VicunaNER 的零样本能力，并在 Few-NERD 上评估了其少样本能力。实验结果表明 VicunaNER 在两种样本设置下均取得了优越性能。此外，我们从多个角度对 Vicuna 进行了全面探究。