DE-NER框架通过LLM对话增强零样本NER

研究人员开发了DE-NER，一个利用大型语言模型（LLM）对话能力的新型零样本命名实体识别（NER）框架。该方法旨在通过对话引导直接从LLM中提取知识，克服传统提示和演示工程的局限性。实验表明，DE-NER在各种基准测试中的F1分数平均提高了3.75%，显著优于现有方法。 AI

影响 增强了零样本NER能力，有望改进从非结构化文本中提取信息。

排序理由 该集群包含一篇关于使用LLM进行命名实体识别新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• DagsHub
• F1
• Gotit.pub
• Hugging Face
• Influence Flower
• large-language models
• named-entity recognition
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →