展示更少，指导更多：以定义和指南增强用于零 - shot NER 的提示
内容提要
本文介绍了多种命名实体识别（NER）方法，如PromptNER、llmNER和QaNER，强调它们在零样本和少样本情况下的性能提升。这些基于提示的学习方法在低资源环境中表现优异，推动了上下文学习的研究进展。
延伸解读
提示工程在零样本NER中的关键作用
文章指出，在零样本设置下，提示策略对模型性能有显著影响。例如，在计算社会科学分类任务中，不同提示策略导致准确率和F1分数差异超过10%。此外，小语言模型FLAN-T5-large在使用优化提示后，准确率比未优化提示提升近13%，表明精心设计的提示能大幅提升零样本效果。
小语言模型结合提示学习的潜力
文章提到，参数量小于10亿的小语言模型与提示学习结合，在少样本场景下表现优异。例如，220M参数的T5-base在有限标记数据上可达约75%准确率。这显示小模型在低资源环境中具有实用价值，尤其适合计算资源有限的应用。
低资源NER方法的演进与对比
文章介绍了多种低资源NER方法，如PromptNER、QaNER、InstructionNER和ContrastNER。QaNER通过问答形式解决了提示工程复杂和鲁棒性差的问题，推理更快且对提示质量不敏感；ContrastNER利用对比学习在低资源设置中超越现有模型。这些方法共同推动了少样本和零样本NER的发展。
Q&A
什么是PromptNER算法，它的优势是什么？
PromptNER算法结合大型语言模型与有限训练样本，显著提升跨领域、少量样本下的命名实体识别性能。
llmNER库的主要功能是什么？
llmNER是一个Python库，支持零射击和少射击NER，提供易用接口，推动上下文学习研究。
QaNER方法如何解决传统方法的限制？
QaNER使用基于问答的方法，具有更快的推理速度和更强的鲁棒性，显著优于传统方法。
InstructionNER在低资源环境下的表现如何？
InstructionNER在少样本任务中始终优于其他基线模型，提供了有效的命名实体识别框架。
ContrastNER使用了什么样的学习方法？
ContrastNER使用对比学习方法，在低资源环境中超越现有模型，展示了小语言模型的潜力。
提示工程在零样本设置中的重要性是什么？
提示工程在零样本设置中至关重要，能够显著影响模型的性能和准确性。
