NE-R1：通过强化学习增强命名实体识别模型

自大语言模型（LLM）出现以来，命名实体识别（NER）取得了实质性进展。然而，由于参数知识的缺乏，长尾和特定领域实体的识别仍然具有挑战性。检索增强生成（RAG）通过注入外部知识提供了一种有前途的补救措施，但在处理熟悉的案例时它也会引入噪音和不必要的成本。在本文中，我们提出了 NE-R1，一种用于自适应检索增强 NER 的新框架。我们为 NER 设计了“按需检索”机制。然后我们通过两阶段训练方法将其集成到模型中：（1）多任务指令调优初始化； (2) 使用 CoT 进行端到端 RL 优化。为了实现参数化知识和外部知识之间的合理选择，我们设计了考虑准确性和检索效益的多维奖励。 NE-R1 在各种基准测试中都实现了最先进的性能，在域内评估中平均 F1 分数增益为 2.52%，在零样本跨域评估中平均 F1 分数增益为 1.18%。