大预训练模型时代的多模态命名实体识别前沿综述：技术突破与跨模态融合新范式

本综述系统梳理了大预训练模型（LPMs）在多模态命名实体识别（MNER）领域的最新进展，重点探讨了多模态表示、对齐与融合三大核心方向。文章深入解析了LPMs如何通过增强语义表征和跨模态推理能力提升社交媒体文本中实体识别的准确性，同时为减少模型"幻觉"（hallucination）现象提供多模态证据支持，对推动自然语言处理与多模态人工智能的融合发展具有重要参考价值。

　　

Section snippets

Background for MNER

为建立全面的技术讨论基础，本节重点介绍MNER的核心背景知识与形式化框架。我们主要聚焦三个关键方面：（1）明确的任务形式化定义，界定问题范围与输出目标；（2）常用训练与评估数据集，这些数据集决定了实际挑战与机遇；（3）评估指标...

Research progress of MNER

本节全面回顾MNER的研究进展，从其早期方法追溯至由LPMs驱动的最新突破。我们首先介绍MNER的基础组成部分，包括文本与视觉模态的输入编码器，以及多模态对齐与融合技术。接着总结依赖小型预训练模型（SPMs）和传统融合策略的传统MNER方法。最后深入探讨当代方法...

Analysis and Discussion of LPMs used for MNER

本节全面分析与讨论如何利用LPMs应对MNER任务中的核心挑战。我们系统性地审视LPMs在三大关键维度中的作用：提取高质量单模态表征的输入编码器、增强跨模态交互的多模态对齐与融合工具，以及丰富上下文理解的辅助知识提供者。针对每个类别，我们评述代表性方法，强调其...

Challenges and Future Directions

本节系统分析当前MNER面临的主要挑战并展望未来研究方向。深入剖析关键问题，如数据集局限性、模型泛化能力、多模态融合的内在复杂性，以及MNER任务中LPMs的可解释性与可控性。此外，探索MNER与多模态知识图谱（MKGs）深度融合的潜力，旨在激发新解决方案与...

Conclusion

本综述全面概述了社交媒体背景下基于LPMs的MNER解决方案的最新进展，为刚进入该领域的研究者提供了基础指南。LPMs与MNER的协同效应显而易见：LPMs提供强大的语义表征和增强的推理能力，而MNER则通过整合多模态信息帮助缓解“幻觉”等问题，提高LPMs的推理准确性。本综述中...