ARTER은 대규모 주석 처리된 데이터 세트와 광범위한 모델 미세 조정에 의존해온 기존의 엔티티 연결(EL) 문제를 해결하기 위해 제시되었습니다. ARTER는 후보 생성, 컨텍스트 기반 점수 매기기, 적응형 라우팅 및 선택적 추론을 전략적으로 결합하여 심층적인 미세 조정 없이 높은 성능을 달성하는 구조화된 파이프라인입니다. ARTER은 검색된 후보에 대해 작은 세트의 보완적 신호(임베딩 및 LLM 기반)를 계산하여 컨텍스트 언급을 쉬운 경우와 어려운 경우로 분류합니다. 그런 다음 해당 사례는 저비용 엔티티 연결기(예: ReFinED)와 더 비싼 대상 LLM 기반 추론으로 처리됩니다. ARTER은 표준 벤치마크에서 ReFinED보다 최대 +4.47% 더 우수한 성능을 보였으며, 6개의 데이터 세트 중 5개에서 평균 +2.53%의 이점을 얻었고, 모든 언급에 LLM 기반 추론을 사용하는 파이프라인과 유사한 성능을 보였으며, LLM 토큰 수 측면에서 두 배 더 효율적입니다.
