論文の概要: Enhancing Scientific Named Entity Recognition via Large Language Models: A Type-driven Multi-task Learning Approach

• arxiv url: http://arxiv.org/abs/2608.08636v2
• Date: Fri, 14 Aug 2026 04:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 13:59:16.198785
• Title: Enhancing Scientific Named Entity Recognition via Large Language Models: A Type-driven Multi-task Learning Approach
• Title（参考訳）: 大規模言語モデルによる科学的名前付きエンティティ認識の強化:型駆動型マルチタスク学習アプローチ
• Authors: Tong Bao, Yi Zhao, Heng Zhang, Chengzhi Zhang,
• Abstract要約: 科学名実体認識(SciNER)は、科学文献からの情報抽出と知識発見において重要な役割を担っている。 近年,大規模言語モデル (LLM) は,人間の努力を最小限に抑えて,競争力のあるSciNERの性能を実現する能力を示した。 本稿では,エンティティ型情報を効果的に活用し,SciNERの性能を向上させる型駆動型アプローチTdSciNERを提案する。
• 参考スコア（独自算出の注目度）: 12.37530494689998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific named entity recognition (SciNER) plays a crucial role in information extraction and knowledge discovery from scientific texts. Recently, large language models (LLMs) have demonstrated the capacity to achieve competitive SciNER performance with minimal human effort. Existing research highlights the importance of incorporating candidate entity type information for accurate entity recognition and classification by LLMs. However, when too many candidate entity types are provided in the prompt, LLMs struggle to accurately recognize and label entities in scientific texts, where entity types are more complex than in general domains. To address this challenge, we propose TdSciNER, a type-driven approach that effectively leverages entity type information to enhance SciNER performance. In TdSciNER, we first design an entity type filter model to identify the most likely entity types present in a given sentence. Subsequently, we introduce an auxiliary multi-class entity typing task within a multi-task learning framework alongside SciNER to obtain richer contextual representations. Then, we develop a novel demonstration selection strategy based on sentence similarity and entity type diversity to activate the in-context learning capabilities of LLMs, thereby improving entity recognition accuracy across diverse scientific domains. Experiments on three datasets demonstrate that our method achieves performance comparable to fully supervised models. Further analysis validates that each entity type-driven component in TdSciNER contributes to the improvement of SciNER performance. This work provides valuable insights for future advancements in SciNER and broader information extraction tasks in scientific text mining.
• Abstract（参考訳）: 科学名実体認識(SciNER)は、科学文献からの情報抽出と知識発見において重要な役割を担っている。 近年,大規模言語モデル (LLM) は,人間の努力を最小限に抑えて,競争力のあるSciNERの性能を実現する能力を示した。 既存の研究は、LLMによる正確なエンティティ認識と分類のために、候補エンティティ型情報を統合することの重要性を強調している。 しかし、プロンプトに候補となるエンティティタイプが多すぎると、LCMは一般的なドメインよりも複雑なエンティティを正確に認識し、ラベル付けするのに苦労する。 そこで本研究では,エンティティ型情報を効果的に活用し,SciNERの性能を向上させる型駆動型アプローチTdSciNERを提案する。 TdSciNERでは、与えられた文に存在する最も可能性の高いエンティティタイプを特定するために、まずエンティティ型フィルタモデルを設計する。 その後、SciNERと共にマルチタスク学習フレームワーク内で補助的なマルチクラスエンティティ型付けタスクを導入し、よりリッチな文脈表現を得る。 そこで本研究では,LLMのテキスト内学習能力を活性化するために,文類似性と実体型多様性に基づく新しい実演選択戦略を開発し,多様な科学領域における実体認識精度を向上させる。 3つのデータセットの実験により,本手法が完全教師付きモデルに匹敵する性能を実現することを示す。 さらに分析した結果、TdSciNERの各エンティティの型駆動コンポーネントがSciNERのパフォーマンス向上に寄与していることが確認された。 この研究は、SciNERの今後の進歩と、科学的テキストマイニングにおけるより広範な情報抽出タスクに対する貴重な洞察を提供する。

関連論文リスト

• ROSE: Retrieval-Oriented Segmentation Enhancement [79.7370065070812]
  既存のマルチモーダル大言語モデル(MLLM)に基づくセグメンテーションモデルは、最新の知識を組み込むことができないため、しばしば新しいまたは新しいエンティティと競合する。 本論文では,学習データがないためMLLMが認識できない新規なエンティティのセグメンテーションと,モデルの知識の中に存在するが,正確な認識のために最新の情報を要求する新興エンティティのセグメンテーションに焦点を当てた,NEST(Novel Emerging Task)を紹介した。 Rose: Retrieval-Oriented Enhancementは、MLLMベースのセグメンテーションモデルを拡張するために設計されたプラグインとプレイのフレームワークです。
  論文  参考訳（メタデータ） (2026-04-15T17:59:35Z)
• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• DynamicNER: A Dynamic, Multilingual, and Fine-Grained Dataset for LLM-based Named Entity Recognition [53.019885776033824]
  動的分類を伴うLarge Language Models (LLM) ベースの手法のために設計された最初のNERデータセットであるDynamicNERを提案する。 データセットは多言語および多言語で、8言語と155のエンティティタイプをカバーし、コーパスはさまざまなドメインにまたがる。 実験によると、DynamicNERはLLMベースのNERメソッドの堅牢で効果的なベンチマークとして機能している。
  論文  参考訳（メタデータ） (2024-09-17T09:32:12Z)
• Evaluating Named Entity Recognition Using Few-Shot Prompting with Large Language Models [0.0]
  Few-Shot PromptingやIn-context Learningは、モデルが最小限の例でエンティティを認識できるようにする。 NERタスクにおけるGPT-4のような最先端モデルの評価を行い、その数ショットのパフォーマンスと完全に教師付きベンチマークを比較した。
  論文  参考訳（メタデータ） (2024-08-28T13:42:28Z)
• ToNER: Type-oriented Named Entity Recognition with Generative Language Model [14.11486479935094]
  生成モデルに基づく新しいNERフレームワーク、すなわちToNERを提案する。 ToNERでは、文中に最も現れる可能性が最も高いエンティティタイプを特定するために、最初は型マッチングモデルが提案されている。 我々は、生成モデルのエンコーダを微調整するために、複数のバイナリ分類タスクを追加し、入力文の洗練された表現を生成する。
  論文  参考訳（メタデータ） (2024-04-14T05:13:37Z)
• NERetrieve: Dataset for Next Generation Named Entity Recognition and Retrieval [49.827932299460514]
  我々は、大きな言語モデルによって提供される能力は、NER研究の終わりではなく、むしろエキサイティングな始まりであると主張する。 我々は、NERタスクの3つの変種と、それらをサポートするデータセットを示す。 500のエンティティタイプをカバーする400万段落の,大規模で銀の注釈付きコーパスを提供する。
  論文  参考訳（メタデータ） (2023-10-22T12:23:00Z)
• Named Entity Recognition via Machine Reading Comprehension: A Multi-Task Learning Approach [50.12455129619845]
  Named Entity Recognition (NER) は、テキスト内のエンティティの参照を事前に定義された型に抽出し、分類することを目的としている。 我々は,MRCベースのNERを改善するために,エンティティタイプ間のラベル依存性をマルチタスク学習フレームワークに組み込むことを提案する。
  論文  参考訳（メタデータ） (2023-09-20T03:15:05Z)
• Dynamic Named Entity Recognition [5.9401550252715865]
  動的名前付きエンティティ認識(DNER)という新しいタスクを紹介します。 DNERは、コンテキストを利用してエンティティを抽出するアルゴリズムの能力を評価するためのフレームワークを提供する。 本稿では,本課題に関連する課題と研究軸を反映したベースラインモデルと実験結果について述べる。
  論文  参考訳（メタデータ） (2023-02-16T15:50:02Z)
• MINER: Improving Out-of-Vocabulary Named Entity Recognition from an Information Theoretic Perspective [57.19660234992812]
  NERモデルは標準のNERベンチマークで有望な性能を達成した。 近年の研究では、従来のアプローチはエンティティ参照情報に過度に依存し、OoV(out-of-vocabulary)エンティティ認識の性能が劣っていることが示されている。 我々は、情報理論の観点からこの問題を改善するための新しいNER学習フレームワークであるMINERを提案する。
  論文  参考訳（メタデータ） (2022-04-09T05:18:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。