May, 2024

匹配、比较还是选择？对大型语言模型在实体匹配中进行的探究

PDF
TL;DR基于大型语言模型的实体匹配方法通常忽略不同记录之间的整体一致性。本文研究了多种基于大型语言模型的实体匹配方法，将不同视角的记录交互纳入考量，并综合比较了三种具有代表性的策略：匹配、比较和选择。基于实验结果，我们设计了一个组合式的实体匹配框架（ComEM），该框架借鉴了多种策略和大型语言模型的优势，提高了实体匹配的效果和效率，在不同数据集上均取得了显著的性能提升，并降低了基于大型语言模型实体匹配的成本。
发现论文，激发创造
  • 利用大型语言模型进行实体匹配

    实体匹配是数据集成中的关键任务，本文探讨了将大型语言模型应用于实体匹配的优势、挑战和未来研究方向，同时回顾了关于弱监督和无监督方法在实体匹配中的应用以及大型语言模型如何增强这些方法。

    May, 2024

  • 利用大型语言模型提升实体解析技术

    本文研究了大型语言模型在实体解析过程中的潜力，包括利用语言模型的优势以及大规模匹配所涉及的计算复杂性，并提出了一种选择最有效匹配问题的策略，同时限制消耗预算，以减少实体解析的不确定性。通过熵作为度量标准评估我们的方法的效果，实验结果证明了我们提出的方法的效率和有效性，为实际应用提供了有希望的前景。

    Jan, 2024

  • 利用大型语言模型进行实体匹配

    通过使用大型语言模型 (LLMs) 进行实体匹配，我们对可托管的 LLMs (如 GPT3.5 和 GPT4) 以及基于 Llama2 的开源 LLMs 进行了评估，在零 - shot 场景和有任务特定训练数据的场景中比较了不同的提示设计以及模型在零 - shot 场景中的提示敏感度。根据实验结果，我们发现 GPT4 在没有任务特定训练数据的情况下在三个基准数据集上优于精调的 PLMs (RoBERTa 和 Ditto)，达到约 90% 的 F1 分数，而在上下文学习和规则生成方面，除了 GPT4 之外，所有模型都从这些技术中受益（平均 F1 分数提高了 5.9% 和 2.2%），大多数情况下 GPT4 无需额外的指导。

    Oct, 2023

  • 作为复合人工智能工具链的自由实体匹配

    通过动态工具使用、自我细化和优化，Libem 支持实体匹配，允许根据数据集和性能指标进行适应和优化，与传统的独立 AI EM 系统相比，Libem 提供了可组合和可重用的工具链，以促进 AI 驱动的数据管理的讨论和发展。

    Jun, 2024

  • 利用大型语言模型进行关系发现来消除实体匹配的歧义

    通过预定义一组与任务相关的关系，我们的方法将重点从纯粹识别语义相似性转移到理解并定义实体之间的 “关系”，以解决匹配中的模糊性，从而使分析员能够更有效地浏览从完全匹配到概念相关实体的相似性范围。

    Mar, 2024

  • 从自然语言解释中学习以实现通用的实体匹配

    将实体匹配重新定义为条件生成任务，借助自然语言解释将大型语言模型的推理方式 “精简” 到较小实体匹配模型中，从而达到强大的性能表现。

    Jun, 2024

  • LLMs4OM：基于大语言模型的本体匹配

    LLMs4OM 框架通过零样本提示技术，利用大型语言模型在本体匹配任务中评估大型语言模型的效果，并在不同本体表示（概念、概念父类、概念子类）之间实现检索和匹配两个模块，全面评估了 20 个不同领域的本体匹配数据集，结果表明，在复杂匹配场景下，LLMs 在 LLMs4OM 框架下的性能可以与甚至超过传统的本体匹配系统，凸显了 LLMs 在本体匹配领域的潜力。

    Apr, 2024

  • 双管齐下：将知识图谱和大型语言模型的知识融合用于实体对齐

    该研究提出了一种基于大型语言模型增强的实体对齐框架（LLMEA），将知识图谱的结构知识与大型语言模型的语义知识相结合，以提升实体对齐的效果。实验结果表明，LLMEA 优于其他基线模型，进一步剖析试验证实了我们提出框架的效能。

    Jan, 2024

  • 将 LLMs 转化为跨模态和跨语言检索系统

    使用大型语言模型进行多模态双编码检索系统，能够在多种语言中匹配语音和文本，提升召回率并实现跨语言匹配。

    Apr, 2024

  • 利用大型语言模型扩展临床试验配对：一个肿瘤学案例研究

    利用大型语言模型（LLMs）进行临床试验匹配在扩展规模中取得了积极的初步结果，特别在结构化患者信息和筛选患者 - 试验候选人方面起到了初步的解决方案作用。

    Aug, 2023