LLMAEL: Large Language Models are Good Context Augmenters for Entity Linking

实体链接（EL）模型经过良好的训练，可以根据给定的上下文将提及映射到相应的实体。然而，由于训练数据有限，EL模型难以消除长尾实体的歧义。同时，大型语言模型（LLM）在解释不常见的提及时更为强大。然而，由于缺乏专门的训练，LLM在生成正确的实体ID方面存在困难。此外，训练LLM来执行EL是成本高昂的。基于这些见解，我们介绍了LLM增强的实体链接LLMAEL，这是一种通过LLM数据增强来增强实体链接的即插即用方法。我们利用LLM作为知识上下文增强器，生成以提及为中心的描述作为额外的输入，同时保留传统的EL模型进行任务特定处理。在6个标准数据集上的实验表明，香草LLMAEL在大多数情况下优于基线EL模型，而经过微调的LLMAEL在所有6个基准测试中设定了新的最优结果。

本论文旨在解决实体链接模型在长尾实体上的歧义问题，同时利用大型语言模型进行数据增强，提高实体链接的准确性。

论文提出了一种LLM-Augmented Entity Linking (LLMAEL)方法，结合传统实体链接模型和大型语言模型的优点，通过LLM生成额外的上下文描述信息，从而提高实体链接的准确性。

论文实验使用了6个标准数据集，结果表明LLMAEL方法在大多数情况下优于传统实体链接模型，并在所有6个基准测试中取得了最新的最佳结果。

近期的相关研究包括：《Improving Entity Linking by Modeling Latent Relations between Mentions》、《Denoising Entity Linking with Global Context》等。