SAM-NER：零样本命名实体识别的语义原型中介

零样本命名实体识别 (ZS-NER) 在域和模式转换下仍然很脆弱，其中看不见的标签定义通常与 大语言模型 (LLM) 的内在语义组织不一致。因此，直接将实体提及映射到细粒度的目标标签可能会导致系统语义漂移，特别是当目标模式新颖或语义重叠时。我们提出 \textbf{SAM-NER}，一个基于 \emph{语义原型中介} 的三阶段框架，它通过中间的、域不变的原型空间稳定跨域传输。 SAM-NER：（i）通过协作提取和基于共识的去噪执行 \emph{Entity Discovery}，以获得高覆盖率、高保真度的实体跨度； (ii) 通过将实体投影到从高级本体抽象中提炼出来的一组紧凑的通用语义原型中来进行\emph{抽象中介}； (iii) 应用\emph{语义校准}，通过使用冻结的 LLM 进行受约束的、定义一致的推理，将原型级预测解析为目标域类型。 CrossNER 基准测试表明，SAM-NER 在跨域设置中始终优于先前的 ZS-NER 基线。我们的实现将在 https://github.com/DMIRLAB-Group/SAM-NER 上开源。