重新思考生成式命名实体识别的负实例
内容提要
该文综述命名实体识别（NER）的最新进展，涵盖GPT-NER、NuNER、GLiNER等模型。GPT-NER将序列标注转为生成任务并引入自我验证；NuNER是低数据需求的紧凑表示模型；GLiNER用双向Transformer实现并行抽取，性能超越ChatGPT。此外还探讨了负采样、零样本推理策略、自我改进框架及查询生成重排序等方法，在低资源场景下表现优异。
延伸解读
负采样如何缓解未标注实体干扰
文章指出，NER训练常受未标注实体干扰，负采样方法能避免模型被这些实体误导。实验表明该方法鲁棒性强，甚至超越基线模型。这提示我们，在实际标注数据不完整时，负采样是一种有效的训练策略，能提升模型对未标注实体的区分能力，减少误判。
生成式NER的自我验证机制
GPT-NER将序列标注转化为生成任务，并引入自我验证策略来应对大语言模型的幻觉问题。实验显示其表现与有监督算法相当，在低资源场景下显著优于有监督模型。这说明生成式方法结合验证机制，能在标注数据稀缺时实现可用的NER应用，但需注意幻觉风险的控制。
紧凑模型在低资源场景的竞争力
NuNER和GLiNER是两种紧凑的NER模型。NuNER专注低数据需求微调，在few-shot下胜过同规模基础模型；GLiNER用双向Transformer并行抽取，性能超越ChatGPT和微调后的大模型。它们表明，针对任务设计的紧凑模型能在低资源下达到甚至超越大模型的性能，适合部署资源受限的场景。
零样本NER的推理与自我改进策略
文章提到多种零样本推理策略，如分解式问答、句法增强和自一致性，以及利用无标注语料的自我改进框架。这些方法在多个基准上取得显著改进，并能推动零样本实体识别发展。读者可关注这些策略在少样本和其他大模型上的有效性，但需注意其依赖的语料质量和任务适配性。
Q&A
GPT-NER 是如何解决大语言模型在命名实体识别中的幻觉问题的？
GPT-NER 通过将序列标注任务转化为生成任务，并引入自我验证策略来解决大语言模型的幻觉问题。
NuNER 模型有什么特点？它在低资源场景下的表现如何？
NuNER 是一种专注于命名实体识别任务的紧凑语言表示模型，可以进行低数据需求的微调。在 few-shot 情景下，它胜过了类似大小的基础模型，并与更大的语言模型竞争。
GLiNER 模型与 ChatGPT 在命名实体识别任务上的性能对比如何？
GLiNER 通过双向变压器编码器实现并行实体抽取，在各种命名实体基准测试中展现出强大性能，优于 ChatGPT 和经过微调的大型语言模型。
在零样本命名实体识别中，有哪些推理策略可以提升大语言模型的性能？
针对零样本命名实体识别，可以采用分解式问答范式、句法增强和自一致性等推理策略，这些方法在七个基准测试中取得了显著改进。
如何利用自我改进框架提升零样本实体识别的性能？
通过利用无标注语料库刺激模型自学能力的自我改进框架，可以进一步推动零样本实体识别任务的发展，并取得显著的性能提升。
LinkNER 方法是如何提高命名实体识别性能的？
LinkNER 通过将小型微调模型与大型语言模型结合，并采用基于不确定性的链接策略（RDC），以提高 NER 任务性能，并在鲁棒性测试中明显超过 SOTA 模型。
