Leveraging the Power of Large Language Models in Entity Linking via Adaptive Routing and Targeted...

文章主要内容与创新点总结

一、主要内容

本文针对实体链接（EL）任务中传统方法依赖大规模标注数据和深度微调、现有大语言模型（LLM）方法推理成本高的问题，提出了名为ARTER（Adaptive Routing and Targeted Entity Reasoning）的结构化流水线框架。该框架通过候选生成、基于上下文的评分、自适应路由和选择性推理的策略组合，在无需深度微调的情况下实现高效高精度的实体链接。

核心流程包括：

1. 候选生成：利用ReFinED模型的候选生成模块，为每个提及获取30个候选实体，并补充维基数据中的元数据；
2. 路由分类：计算候选实体的三类余弦相似度得分（上下文-实体、提及-实体、候选间相似度）及轻量LLM的置信度得分，通过随机森林分类器将提及划分为“简单案例”和“复杂案例”；
3. 差异化处理：简单案例由低计算成本的ReFinED模型直接处理，复杂案例通过LLM的目标推理（采用少样本+思维链的提示策略）进行精确消歧。

在AIDA、MSNBC、ACE2004等6个标准基准数据集上的实验表明，ARTER相较于ReFinED模型准确率最高提升4.47%，平均提升2.53%，且性能与全LLM推理方法相当，但LLM令牌使用量减少约58.25%，效率大幅提升。

二、创新点

1. 自适应路由机制：首次提出基于提及复杂度的动态路由策略，通过多维度得分特