.png){kind=icon}
返回
A geographic entity recognition method utilizing temporal active learning and large language models
.png){kind=icon}
OA
AI
DOI：10.1080/10095020.2026.2657656.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
采用主动学习是减少使用深度学习方法完成地理实体识别任务所需人力投入的可行方法。然而，当前采样策略通常仅捕获单个样本特征（如信息内容），而忽视了样本特征在不同迭代过程中的时序动态。此外，仅依靠主动学习方法只能在一定程度上缓解样本选择层面的工作负担。为解决这些问题，我们提出了一种新型主动学习框架，将时序特征整合到采样中，并利用大型语言模型（LLM）来提升标注效率和模型预测精度。具体而言，我们提出了一种基于时序和语义相似度的混合采样策略，包含三个创新指标：时序不稳定性、动态方差熵和语义相似度。我们提出利用Qwen2.5-7B-Instruct LLM进行机器标注，并结合专家系统进行标注修正，进一步降低地理实体识别任务的负担。实验表明，我们提出的采样策略优于随机采样，其中“时序不稳定性”指标表现出最优性能和鲁棒性。此外，结合机器标注与专家系统可节省约27%的标注时间。我们的工作为设计含时序特征的采样策略以及充分利用LLM进行自动标注以降低地理实体识别任务标注成本提供了实用解决方案。
Keyword:
Active learning
temporal characteristics
large language models (LLMs)
geographic entity recognition
BiLSTM-CRF
期刊
G
IF:
5.5
论文数:
877
被引数:
2.4K
机构
引用论文
LTP: A New Active Learning Strategy for CRF-Based Named Entity RecognitionLTP: 一种新的基于CRF的命名实体识别主动学习策略
PREAI
分享收藏分享收藏Xu, L.; Tong, Y.; Dong, Q.; Liao, Y.; Yu, C.; Tian, Y.; Liu, W.; Li, L.; Liu, C.; Zhang, X. CLUENER2020: Fine-Grained Named Entity Recognition Dataset and Benchmark for Chinese. arXiv 2020. [Google Scholar] [CrossRef]徐, L.; Tong, Y.; Dong, Q.; Liao, Y.; Yu, C.; Tian, Y.; Liu, W.; Li, L.; Liu, C.; Zhang, X. CLUENER2020: 细粒度中文命名实体识别数据集与基准. arXiv 2020. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容