Enhancing Few Shot Named Entity Recognition via Label Semantic Description and Diversity Text
Notice bibliographique
Résumé
Large Language Models (LLMs) have demonstrated remarkable few-shot learning capabilities on Named Entity Recognition (NER) tasks, particularly through prompt-based approaches that avoid additional fine-tuning. However, despite the powerful generative and reasoning abilities of LLMs, two critical challenges remain: (1) semantic discrepancy of the same label across different datasets, which leads to recognition errors when using general labels to guide model outputs, and (2) contextual homogeneity in in-context examples, which limits the model’s ability to distinguish fine-grained entity types during inference. To address these challenges, we propose LSDNER, a dual-faceted prompt construction strategy that integrates structured label semantic descriptions and promotes context diversity. Specifically, to tackle label semantic inconsistency, we introduce a structured framework that organizes label semantic descriptions into definitions, attributes, relational features, and behavioral characteristics. This representation enables LLMs to better understand the dataset-specific semantic meanings of entity labels. To address contextual monotony, we devise a diversity-driven sampling strategy for selecting in-context demonstrations, thereby expanding semantic coverage and promoting reasoning capabilities. Experiments on three general and four domain-specific NER datasets demonstrate that our approach surpasses prompt-based methods and achieves competitive results with supervised baselines. Our code is available at: https://github.com/hui68633/LSDNER.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».