arXiv cs.CL· Songtao Li, Shidi Zhang, Jianyuan Yuan, Fengyu Zhang·· 11 小时前AI 评分20
GAMA：面向 schema-as-code 生物医学命名实体识别的指南增强多智能体框架
A Guideline-Augmented Multi-Agent Framework for Schema-as-Code Biomedical Named Entity Recognition
AI 导读
GAMA 是一个指南增强的多智能体框架，用于 schema-as-code 生物医学命名实体识别（BioNER）。它先从标注训练样本中归纳候选标注规则并验证，构建数据集专属指南记忆，再由规划组件生成带理由的 span-type 假设、编码组件转为 schema 约束的实体对象，验证模块检查边界、类型与结构合规性并做双循环修正。
正文 · AI 翻译
摘要：大型语言模型（LLM）通过指令遵循和上下文学习，在生物医学命名实体识别（BioNER）方面展现出广阔前景。然而，现有的基于 LLM 的 BioNER 方法仍面临两个关键局限。第一，检索到的示例和外部生物医学知识对数据集特定的标注语义支持有限，导致实体边界、类型范围和标注惯例存在歧义。第二，自由形式生成缺乏足够的结构控制，常导致格式无效、虚构提及、实体重复和边界错误。为解决这些局限，我们提出 GAMA，一个面向 schema-as-code BioNER 的指南增强多智能体框架。GAMA 首先从带标注的训练实例中归纳候选标注规则，并对照标注数据验证这些规则，以构建可靠的数据集特定指南记忆。在这些已验证规则的引导下，规划组件生成带理由的排序 span-type 假设，编码组件将其转换为受 schema 约束的实体对象。随后，验证模块检查 span 接地、类型有效性和结构合规性，并执行双循环细化以纠正无效或低置信度的预测。在两个不同 LLM 上对三个广泛使用的 BioNER 数据集进行的实验证明了 GAMA 的有效性，在六种 LLM-数据集组合中的四种取得了最佳性能。消融研究进一步验证了其关键组件的贡献。
| 评论： | 根据审稿人的评论和建议修订了稿件 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.02970 [cs.CL] |
| （或 arXiv:2610.02970v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.02970 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Songtao Li [查看邮箱]
[v1]
2026年10月2日星期五 08:06:20 UTC（1,552 KB）
[v2]
2026年10月6日星期二 08:09:03 UTC（1,552 KB）
[v3]
2026年10月23日星期五 11:18:02 UTC（1,552 KB）
来源：arXiv cs.CL · arxiv.org