综述:基于Transformer语言模型在实体解析中的应用:一项系统性范围综述
《Information》:Entity Resolution Using Transformer-Based Language Models: A Systematic Scoping Review
【字体:
大
中
小
】
时间:2026年09月19日
来源:Information 4.3
摘要
实体解析(ER)是集成异构数据的基础,传统方法通过确定性基于规则的方法和概率记录链接来处理这一问题。我们遵循 PRISMA-ScR 进行了系统性范围综述,以表征基于 Transformer 的语言模型在 ER 中的应用。检索了五个数据库,纳入了 155 项研究进行综合。2023 年后文献急剧增加,其中 55% 的纳入研究发表于 2025 年或 2026 年。通用匹配是最常见的实体焦点,其次是产品/电子商务。医疗保健应用尤其稀缺,仅有一项研究将 ER 应用于患者/医疗保健领域。在进行分块的研究中,基于嵌入的相似度最常见,其次是基于字符串的方法。分类头方法仍然是最常见的匹配方法,其次是基于提示的方法。仅编码器模型仍然是最广泛评估的架构,而仅解码器模型从 2023 年起变得越来越突出。全参数微调是主要的学习策略,其次是零样本和少样本提示。在分类为通用的研究中,近三分之一仅在一种或两种实体类型上进行了评估,限制了其泛化能力。报告的最佳 F1 分数在不同基准上有所不同,仅编码器架构相对于仅解码器架构没有一致的优势。这些发现支持了需要更多样化的端到端评估,即除准确性外还考虑效率和鲁棒性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号