摘要

令人意外的是，大型语言模型（LLMs）结合日益丰富的基于提示的启发式方法，现在为众多经典的自然语言处理（NLP）问题提供了强大的现成解决方案，能够在少量示例的情况下解决这些问题。然而，尽管早期结果令人鼓舞，这些基于LLM的少量示例方法在命名实体识别（NER）领域仍远未达到最先进水平。当前最主流的方法包括通过端到端的结构理解学习表示以及在标准标注语料库上进行微调。本文中，我们介绍了一种新的最先进算法——PromptNER，用于少量示例和跨域NER任务。为了适应任何新的NER任务，PromptNER需要一组实体定义以及标准的少量示例。给定一个句子后，PromptNER会提示LLM生成潜在实体列表及其相应的解释，以证明这些实体与提供的实体类型定义相匹配。值得注意的是，PromptNER在少量示例NER任务中达到了最先进水平，在ConLL数据集上的F1分数提高了4%（绝对值），在GENIA数据集上提高了9%（绝对值），在FewNERD数据集上提高了4%（绝对值）。此外，PromptNER还在跨域NER任务中推动了技术的发展，超越了先前的方法（包括不限于少量示例设置的方法），在5个CrossNER目标域中的3个域上创下了新的记录，平均F1分数提升了3%，尽管使用的数据量不到可用数据的2%。