.png){kind=icon}
返回
A novel large-language-model-driven framework for named entity recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2024.104054.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
命名实体识别（NER）是跨领域知识图谱的基础支柱。尽管在使用大型语言模型（LLMs）进行NER方面取得了进展，但在LLMs的选择、演示检索以及提示设计方面仍存在挑战。我们提出了一种新颖的NER框架，称为LLMCC，该框架阐明了不同LLMs之间的协同交互。提出了两种新方法，SemnRank和InforLawthought，用于解决演示中的冗余问题，并提升提示质量以增强LLMs的能力。此外，LLMCC通过一种新的实体感知对比学习进行训练。在五个领域的广泛实验证实了LLMCC的竞争力（在F1分数上超过十项近期研究5%以上），以及SemnRank和InforLawthought的有效性。我们发现了一系列关于信息定律、提示策略、演示选择和训练设计的见解。这项研究显著推进了将LLMs融入知识图谱构建的应用。
Keyword:
Large language model
Named entity recognition
In-context learning
Contrastive learning
Knowledge graph
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
引用论文
分享收藏Detecting hallucinations in large language models using semantic entropy使用语义熵检测大型语言模型中的幻觉.png)
NATURE
OAAI
NATUREIF48.5
OAAI分享收藏Mind Your Format: Towards Consistent Evaluation of In-Context Learning Improvements格式注意：面向上下文学习改进的一致性评估
PREAI
分享收藏Extracting accurate materials data from research papers with conversational language models and prompt engineering使用会话语言模型从研究论文中提取准确的材料数据，并提示工程NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Structured information extraction from scientific text with large language models基于大语言模型的科学文本结构化信息提取NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容