计算机应用研究

作者：刘小明,吴彦博,杨关,刘杰,吴佳昊,

单位：1.中原工学院a.人工智能学院;b.计算机学院,郑州450007；2.郑州市文本处理与图像理解重点实验室,郑州450007；3.北方工业大学信息学院,北京100144；4.中国语言智能研究中心,北京100089；

关键词：实体共指消解,主题模型,提示学习,预训练大模型,

基金：“新一代人工智能”国家科技重大专项资助项目(2020AAA0109703)；国家自然科学基金联合基金重点项目(U23B2029)；国家自然科学基金资助项目(62076167,61772020)；河南省高等学校重点科研项目(24A520058,24A520060,23A520022)；河南省研究生教育改革与质量提升工程项目(YJS2024AL053)；；

针对现有基于大规模预训练语言模型（large-scale pre-trained language models，LLMs）的实体共指消解（entity coreference resolution，ECR）方法在处理长文本和复杂情境时性能受限，且全参数微调计算开销大的问题，进行了一项研究。提出了一种基于提示学习的主题结构增强型ECR模型。此模型利用上下文中的主题结构信息，以增强模型捕捉长距离共指关系的能力；同时，设计了一种可学习的提示模板，显著降低了模型微调所需的计算资源。在三个公开数据集上的实验结果表明，所提方法相较于基准模型，性能分别提升了2.3、0.5和2.6个百分点。并且与当前先进的Link-Append、Seq2seqCoref等模型相比，该方法在仅使用约1.1%参数量的情况下，达到了其约98%的性能水平，证明了该方法在提升长文本ECR任务效果的同时，具备显著的计算效率优势。

来源：2025年第9期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第9期