.png){kind=icon}
返回
Enhancing named entity recognition with external knowledge from large language model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113471.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受大型语言模型（LLMs）强大能力的启发，本研究通过整合由LLMs生成的外部知识来提升命名实体识别（NER）任务。我们识别出两大主要挑战：生成具有足够广度的外部知识，以及利用大量非实体数据训练提取模型。为充分利用从外部知识中提取的实体特征，本研究建立了LLMs生成的外部知识质量与提取模型对外部知识利用之间的强关联。首先，我们引入了一种实体链接策略，以增强LLMs生成的外部知识的全面性，从而提升提取模型对相关实体的理解。其次，我们提出了一种最优自训练策略用于选择伪标签，有效过滤非实体干扰。这使得提取模型能更好地利用外部知识中呈现的实体相关表达。通过全面实验，我们证明了本方法在三个不同基准上的高性能，并与不同的外部知识来源进行了对比。进一步分析表明，所提出的外部知识与训练策略显著增强了提取模型识别实体特征的能力。
Keyword:
Large language model
Named entity recognition
Knowledge distillation
Information extraction
Natural language processing
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Note the hierarchy: Taxonomy-guided prototype for few-shot named entity recognition注意层次结构: 分类指导下的少镜头命名实体识别原型
PREAI
分享收藏NCBI disease corpus: A resource for disease name recognition and concept normalizationNCBI疾病语料库: 疾病名称识别和概念规范化的资源
OAAI
OAAI分享收藏
CEPTNER: Contrastive learning Enhanced Prototypical network for Two-stage few-shot Named Entity RecognitionCEPTNER: 用于两阶段少镜头命名实体识别的对比学习增强原型网络
PREAI
分享收藏分享收藏
查看更多内容