LTNER: Large Language Model Tagging for Named Entity Recognition with Contextualized Entity Marking

本文是LLM系列文章，针对《LTNER: Large Language Model Tagging for Named Entity Recognition with Contextualized Entity Marking》的翻译。

摘要

在过去两年中，使用LLM进行自然语言处理已成为一种流行趋势，这得益于其强大的上下文理解和学习能力，这激发了学术界和行业专业人士的研究浪潮。然而，对于某些NLP任务，如NER，与监督学习方法相比，LLM的性能仍然不足。在我们的研究中，我们开发了一个名为LTNER1的NER处理框架，该框架结合了革命性的情境化实体标记生成方法。通过利用具有成本效益的GPT-3.5加上不需要额外训练的上下文学习，我们显著提高了LLM在处理NER任务时的准确性。CoNLL03数据集的F1得分从最初的85.9%上升到91.9%，接近监督微调的性能。这一结果使人们对LLM的潜力有了更深入的了解。

1 引言

2 LTNER

3 实验

4 分析

5 相关工作

6 结论

在这项研究中，我们介绍了一种名为LTNER的创新上下文标记提取方法。