Contextual Augmentation for Entity Linking using Large Language Models

一、文章主要内容总结

该研究聚焦于知识图谱中的实体链接（Entity Linking, EL）任务，核心是解决传统实体链接方法在长尾实体（稀有或多义实体）处理、域外语料适配等方面的不足。文章提出了一种基于大语言模型（LLM）的上下文增强策略与联合微调框架，具体内容如下：

1. 任务背景：实体链接包含命名实体识别（NER）和实体消歧（ED）两个核心步骤，传统方法多采用两阶段分离模型，计算成本高且对歧义实体、域外语料处理效果不佳。
2. 核心方法：
   • 以T5模型为基础，联合微调NER和ED任务，构建统一框架，避免分离模型的性能损耗与资源浪费；
   • 引入LLaMA3（70B参数）进行上下文增强，将模糊实体提及（如“Angelina”）扩展为明确形式（如“Angelina Jolie”），缩写（如“AK”）补全为全称（如“Alaska”），提升消歧准确性；
   • 针对LLM幻觉问题，通过构建维基百科标题-URI字典、仅基于NER标注结果进行扩展等方式进行缓解。
3. 实验设计：在AIDA-test-B、KORE50等8个基准数据集（含域内和域外数据）上开展实验，采用InKB微F1分数作为评价指标，对比传统两阶段模型、端到端模型等基线方法，并通过消融实验验证增强策略的有效性。
4. 实验结果：该方法在多数域外语料集上达到当前最优性能，尤其在高歧义数据集（如KORE50）上F1分数显著提升；但在训练数据分布相似的域内数据集（如AIDA-te