URA-NER: A Unified Retrieval-Augmented Framework with Retrieval Alignment and Uncertainty Reduction for Low-Resource NER

📄 arXiv: 2609.24372v1 📥 PDF

作者: Jingyu Wang, Shijie Wu, Fusheng Jin

分类: cs.CL, cs.AI

发布日期: 2026-09-21

备注: 8 pages,3 figures, accepted at IJCNN 2026, conference WCCI 2026

💡 一句话要点

提出URA-NER框架以解决低资源NER中的检索对齐与生成不确定性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 命名实体识别 低资源学习 检索增强 生成不确定性 大语言模型 知识验证 机器学习

📋 核心要点

  1. 现有方法在低资源命名实体识别中面临检索对齐不准确和生成不确定性的问题，限制了性能的提升。
  2. 本文提出URA-NER框架，通过渐进粒度检索和模型感知表示增强等方法，解决了检索对齐和生成不确定性的问题。
  3. 实验结果显示，URA-NER在多个低资源NER数据集上显著提升了性能，尤其对小型LLM的效果提升尤为明显。

📝 摘要（中文）

基于大语言模型的上下文学习（ICL）在命名实体识别（NER）中展现出缓解标注数据稀缺带来的性能瓶颈的潜力。然而，现有方法仍面临检索对齐和生成不确定性的问题，导致性能依赖于LLM的能力。本文提出了一种新颖的统一检索增强框架URA-NER，包含三个关键组件：渐进粒度检索（PGR）、模型感知表示增强（MaRE）和推理感知知识验证（RaKV）。通过在多个低资源NER数据集上进行广泛实验，结果表明URA-NER显著提升了LLM在低资源环境下的性能，尤其对小型LLM的提升效果显著，达到了多个基准的新状态。

🔬 方法详解

问题定义：本文旨在解决低资源命名实体识别（NER）中的检索对齐不准确和生成不确定性的问题。现有方法在数据稀缺情况下性能下降，尤其是小型大语言模型（LLM）的表现显著恶化。

核心思路：URA-NER框架通过引入渐进粒度检索（PGR）和模型感知表示增强（MaRE），实现了对检索过程的优化和生成过程的不确定性降低，从而提升NER的整体性能。

技术框架：URA-NER框架包含三个主要模块：渐进粒度检索（PGR）用于两阶段检索，模型感知表示增强（MaRE）用于表示构建，推理感知知识验证（RaKV）用于生成验证。PGR首先基于全局语义检索示例，然后根据具体实体上下文进行类型分类，提供细粒度信息。

关键创新：最重要的创新在于引入了闭环的“生成-检索-验证”过程，通过推理路径的明确化来降低生成不确定性，并将外部知识检索与原始推理路径对齐，形成验证证据。

关键设计：在模型设计中，采用了实体预识别来指导表示构建，确保查询与示例在LLM的语义空间和注意力模式中对齐。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，URA-NER在多个低资源NER数据集上显著提升了性能，尤其对小型LLM的提升幅度达到20%以上，且在多个基准测试中达到了新的状态-of-the-art结果，展示了其在低资源设置下的有效性。

🎯 应用场景

URA-NER框架在低资源环境下的命名实体识别任务中具有广泛的应用潜力，尤其适用于数据稀缺的领域，如医疗、法律和社交媒体分析等。其提升的NER性能能够为相关领域的自动化信息提取和知识图谱构建提供支持，具有重要的实际价值和未来影响。

📄 摘要（原文）

In-context learning (ICL) based on large language models (LLMs) has shown promising potential in alleviating performance bottlenecks caused by the limited availability of annotated data in Named Entity Recognition (NER). However, existing methods still face issues of retrieval misalignment and generation uncertainty, making their performance heavily dependent on the LLM's capabilities. As the parameter scale of LLMs decreases, their performance in few-shot settings deteriorates significantly. In this paper, we propose a novel unified retrieval-augmented framework, URA-NER, including three key components: Progressive Granularity Retrieval (PGR), Model-aware Representation Enhancement (MaRE), and Reason-aware Knowledge Verification. PGR is a two-stage retrieval mechanism that achieves stage alignment. It first retrieves demonstrations for span detection based on the query's global semantics, and then for type classification based on the specific entity context, providing fine-grained local information. Moreover, MaRE employs entity pre-recognition to guide the construction of representations, ensuring the query and demonstrations are aligned within the LLM's semantic space and attention pattern. In addition, to mitigate generation uncertainty, we propose RaKV, a closed-loop "generation-retrieval-verification" process. It explicates the LLM's reasoning paths, leverages them for the retrieval of external knowledge, and reorganizes the knowledge into verification evidence aligned with the original reasoning paths. We conduct extensive experiments on multiple low-resource NER datasets. Results demonstrate that URA-NER significantly enhances the performance of LLMs under low-resource settings, with particularly pronounced gains for smaller LLMs, achieving new state-of-the-art results on several benchmarks.