本文提出了一种有效地建立识别命名实体（NER）系统的方法，基于最近的基于转换器的自我监督预训练语言模型（PLMs），并探讨了三种正交的方案来改进针对少样例情况的模型泛化能力，通过大量实验结果表明，我们的方法在少数样例学习环境中显著改善或优于基于域标记微调的PLM线性分类器等基线方法，同时在无训练和少样例学习环境下建立了最新的业界记录。

Dec, 2020

本篇研究提出了一种基于预训练模型且更贴近预训练目标的新型few-shot fine-tuning框架FFF-NER，应用于命名实体识别任务上，经过一系列实验及消融研究，确认其比现有序列标记、原型元学习和提示式方法等现有方法能够更有效改善NER性能。

May, 2022

本文提出了一种利用预训练语言模型进行跨领域适应的轻量级的 few-shot 近似算法，将知识从一个领域转移到另一个领域以优化实体识别性能。实验结果表明，与最先进的基线相比，本方法可以提高2-5%的F1-score。

Jun, 2022

本文提出了一种基于提示方法的Few-shot Named Entity Recognition（NER）模型，使用实体类别信息构建标签原型，使模型只需使用支持集进行微调即可实现很好的迁移学习表现，实验证明其在Few-NERD和CrossNER数据集上的性能均优于其他先进方法。

May, 2023

本文介绍了PromptNER算法，将大型语言模型与有限训练样本相结合，实现跨领域、少量样本下的命名实体识别任务，相对于传统方法，取得了十分显著的性能提升。

May, 2023

本文提出了一种向深度提示调整框架中集成三方面知识以实现强大的few-shot NER的方法，即内部上下文知识和外部标签和义原知识，并在五个基准数据集上进行了验证，结果表明，该方法在5/10/20-shot设置中优于8个强基准系统。

Jun, 2023

llmNER是一个用于实现LLMs的零射击和少射击NER的Python库，通过提供易于使用的接口，llmNER可以组合提示、查询模型，并解析LLM返回的完成结果。该库还通过提供简单的接口来测试多个变量，让用户可以高效地执行提示工程。我们在两个NER任务上验证了我们的软件，以展示该库的灵活性。llmNER旨在推动上下文​​学习研究的界限，消除提示和解析步骤的障碍。

Jun, 2024

SLIMER是一种新的指导性指令型大型语言模型，通过使用定义和指南的提示改进了零样本命名实体识别，在未曾见过的命名实体标签上表现更好，并且在域外零样本NER方面表现与最先进的方法相当，同时训练数据减少。

Jul, 2024

本研究解决了传统命名实体识别（NER）系统对大量标注数据依赖的问题，提出了利用大语言模型的少量示例提示方法。研究发现，尽管大模型在性能上存在差距，但在适应新实体类型和领域时表现出色，这凸显了少量学习在降低标注数据需求方面的潜力，提升了NER的可扩展性和可达性。

Aug, 2024

本文研究了使用大型语言模型的少量示例提示技术在命名实体识别（NER）中的应用，解决了传统NER依赖大量标注数据的问题。研究表明，尽管存在性能差距，大型模型能够在极少数据的情况下有效适应新实体类型和领域，展示了少量学习在减少对大规模标注数据需求方面的潜力。

Aug, 2024