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

过去两年中，使用LLMs进行自然语言处理已成为流行趋势，这是由于它们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一波研究热潮。然而，对于某些NLP任务，如NER，与监督学习方法相比，LLMs的性能仍然不足。在我们的研究中，我们开发了一个名为LTNER的NER处理框架，它包含了一种革命性的上下文化实体标记生成方法。通过利用成本效益高的GPT-3.5和不需要额外训练的上下文学习，我们显著提高了LLMs在处理NER任务时的准确性。在CoNLL03数据集上，F1分数从最初的85.9%提高到91.9%，接近监督微调的性能。这个结果让我们更深入地了解了LLMs的潜力。

本篇论文旨在提高LLMs在命名实体识别（NER）任务中的准确性，解决LLMs在某些NLP任务上表现不佳的问题。

论文提出了一种名为LTNER的NER处理框架，其中包括一种革命性的上下文化实体标记生成方法。通过利用成本效益高的GPT-3.5，并结合不需要额外训练的上下文学习，显著提高了LLMs在处理NER任务时的准确性。

论文使用CoNLL03数据集进行实验，F1得分从85.9％提高到91.9％，接近监督微调的性能。此外，论文的方法具有成本效益高、不需要额外训练等优点。

近年来，LLMs在NLP领域中备受关注。在NER任务中，除了本文提出的LTNER方法外，还有许多其他相关研究，如Flair、BERT等。