三重知识提示调优模型

小样本NER显著提升

融合内部上下文知识与外部标签、义原知识，通过深度提示调优，在小样本命名实体识别上大幅超越现有方法。

Jiang, Liu · 费豪 · Li, Fei · Jingye, Li · Li, Bobo · Liang, Zhao · 滕冲 · 姬东鸿

IEEE Transactions on Knowledge and Data Engineering 2024

参数信息

值较原始深度提示方法最多提升

11.53 %

技术优势

三种知识互补

同时利用内部上下文知识与外部标签、义原知识，弥补提示调优中知识利用不足的问题。

超越强基线

在5/10/20-shot设置下显著优于9个强基线系统，显示出在极少量标注数据下的竞争力。

易于迁移

框架可轻松适配其他少样本任务，无需大量额外工作，扩展性强。

应用场景

• 低资源信息抽取：用少量标注即可抽取实体，降低数据标注成本。
• 少样本学习：在5/10/20-shot设置下仍保持高性能，适应稀缺标注场景。
• 知识增强NLP：融合标签与义原知识，增强模型对语义的理解。