PromptNER : Incitation à la Reconnaissance d'Entités Nommées

Dans un développement surprenant, les grands modèles de langage (LLMs) associés à une arsenal croissant d'heuristiques basées sur des prompts offrent désormais des approches puissantes et prêtes à l'emploi, fournissant des solutions à faible nombre de exemples pour de nombreux problèmes classiques en traitement du langage naturel (NLP). Cependant, malgré des résultats prometteurs au début, ces méthodes à faible nombre de exemples basées sur les LLMs restent loin de l'état de l'art en reconnaissance d'entités nommées (NER), où les méthodes prédominantes incluent l'apprentissage de représentations par une compréhension structurelle globale et le calibrage fin sur des corpus étiquetés standards. Dans cet article, nous présentons PromptNER, un nouvel algorithme d'état de l'art pour la NER à faible nombre de exemples et inter-domaines. Pour s'adapter à toute nouvelle tâche de NER, PromptNER nécessite un ensemble de définitions d'entités en plus des exemples standards à faible nombre de exemples. Étant donné une phrase, PromptNER sollicite un grand modèle de langage pour générer une liste d'entités potentielles accompagnée d'explications justifiant leur compatibilité avec les définitions de types d'entités fournies. Remarquablement, PromptNER atteint des performances d'état de l'art en NER à faible nombre de exemples, réalisant une amélioration absolue de 4 % du score F1 sur le jeu de données ConLL, une amélioration absolue de 9 % sur le jeu de données GENIA et une amélioration absolue de 4 % sur le jeu de données FewNERD. PromptNER progresse également dans l'état de l'art en NER inter-domaines, surpassant les méthodes précédentes (y compris celles qui ne sont pas limitées au cadre à faible nombre de exemples), établissant un nouveau record dans 3/5 domaines cibles du CrossNER avec une augmentation moyenne du score F1 de 3 %, malgré l'utilisation de moins de 2 % des données disponibles.