近日，我校机械与电气工程学院姚立国副教授团队在计算机科学领域一区TOP期刊Engineering Applications of Artificial Intelligence（IF=7.5）发表题为“Integrating prompt techniques and multi-similarity matching for named entity recognition in low-resource settings”的研究论文。

命名实体识别（NER）是智能系统理解和处理信息的重要基础，但在数据稀缺或新领域的应用中，传统的方法往往难以保证识别效果。为解决这一问题，本研究提出了一种面向低资源场景的少样本NER模型。该模型融合了实体引导的掩码提示技术和多相似度融合机制。其中，实体引导的掩码提示通过利用支持集或源域中的实体信息，将标签及其关联实体实例融入输入序列，增强模型对标签与实体之间语义关系的理解。多相似度融合技术结合点积相似度与基于上下文的自定义注意力分数，提高了支持集与查询集之间的匹配精度。在跨标签空间和领域迁移的实验设置下，该方法在多个公共少样本NER数据集上进行了验证，实验结果表明所提方法性能优于现有的多数主流方法。本研究为低资源场景下的实体信息提取任务提供了一种可行方案，为后续指令解析和语义理解等任务提供基础支撑，进一步促进智能信息技术在机器人控制、智能装配等应用场景中应用。

所提方法模型结构图

提示构建示意图

该论文第一作者系姚立国副教授（通讯作者）指导的2022级硕士研究生杨俊。该研究受到国家自然科学基金（72061006）、贵州省基础研究计划（自然科学）（黔科合基础-ZK[2024]一般424）、贵州省教育厅自然科学研究项目（青年科技人才成长项目）（黔教技[2024]41号）和贵州师范大学学术新苗基金项目（黔师新苗[2021]A30）的联合资助。

文章链接：https://doi.org/10.1016/j.engappai.2025.110149