RT:一个检索和思维链框架,用于对少数医疗名字实体进行识别
Mingchen Li1, Huixue Zhou1,2, Han Yang1,2
1Division of Computational Health Sciences, Department of Surgery, University of Minnesota, Minneapolis, MN 55455, United States.
概括
新型的检索和思维链 (RT) 框架显著改善了几次射击的生物医学命名实体识别 (NER) 性能. 这种方法结合了基于检索的大型语言模型 (LLM) 与链式思维推理,以获得最先进的结果.
科学领域:
- 生物医学自然语言处理
- 机器学习 机器学习
背景情况:
- 短暂的学习对生物医学命名实体识别 (NER) 提出了挑战.
- 大型语言模型 (LLM) 是有前途的,但对于专门的任务需要有效的方法.
- 基于检索的模型和思维链 (CoT) 推理是先进的NLP技术.
研究的目的:
- 开发和评估检索和思维链 (RT) 框架,以提高LLM的绩效.
- 通过整合检索和Cot方法来改进一些生物医学NER.
- 评估与现有模型相比,RT框架的有效性.
主要方法:
- 提出了一个新的RT框架,结合了专门的检索和思维链模块.
- 检索模块识别了用于指令调整的相关示例.
- 思想链模块系统地解释了确定生物医学实体的原因.
主要成果:
- 该RT框架实现了93.50 (BC5CDR) 和91.76 (NCBI) 的最先进的微型F1分数.
- 利用阳性和阴性样本提高了性能.
- 思想链推理优于思想树,部分注释数据的影响最小.
结论:
- 本研究介绍了第一个结合基于检索的LLM和生物医学短暂NER的思维链的框架.
- 该RT框架有效地利用相关的例子来增强实体预测.
- 拟议的方法证明了在少数NER任务上的卓越性能.


