MHEL-LLAMO：基于大语言模型的多语言历史实体链接新方法

本文介绍一种名为MHEL-LLAMO的无监督多语言历史实体链接新方法，该方法通过置信度驱动的提示链技术结合双编码器检索，在多个历史文本基准上取得领先性能。后续楼层将详细阐述该领域的挑战、方法创新、性能表现、技术细节及应用价值等内容。

历史实体链接面临诸多挑战：1. 历史文本语言特性：拼写变体、词汇过时、语法结构差异及上下文历史特异性，导致现代NLP工具难以直接适用；2. 多语言场景困境：不同语言历史演变路径各异，低资源语言缺乏标注数据；3. 传统方法局限：依赖监督学习，而历史文本标注数据获取成本高、难扩展，因此无监督/弱监督方法成为研究重点。

MHEL-LLAMO由欧洲团队提出，核心创新为置信度驱动的无监督提示链方法，结合双编码器检索与LLM排序，形成端到端解决方案。其架构分为两阶段：1. 候选实体检索：使用多语言双编码器模型BELA从知识库中检索候选实体及元数据；2. 候选排序与NIL预测：通过LLM提示链技术排序候选，并预测是否为NIL（知识库中不存在的实体），同时提供置信度评分。

MHEL-LLAMO的提示链将任务分解为NIL检测和候选排序两个子任务，而非单轮提示。置信度机制是关键：通过分析LLM输出的概率分布和一致性模式估计决策置信度，该信息用于动态调整候选数量——高置信度减少候选以提升效率，低置信度增加候选以提高召回率，平衡效率与准确率。

MHEL-LLAMO在四个基准上评估：HIPE-2020（德、英、法）、NewsEye（德、芬、法、瑞）、AJMC（德、英）、MHERCL（英、意）。使用Mistral-Small-24B时，关键F1分数包括：HIPE-2020英语0.723、法语0.692，NewsEye法语0.662，MHERCL英语0.700。低资源语言（芬、瑞）表现竞争力。针对资源受限场景，Mistral-8B（英、法、德）和Gemma-3-12b-it（瑞典语）仍提供有竞争力的性能。

MHEL-LLAMO开源实现考虑工程细节：因双编码器与LLM依赖不同，建议创建两个conda环境分别运行检索和排序阶段，解决依赖冲突并支持独立优化。代码结构包含候选生成、过滤与提示链、评估三个脚本，用户可通过命令行参数配置候选数量、置信度阈值、模型选择等超参数，且提供详细配置指南。

MHEL-LLAMO对数字人文研究意义重大：实体链接是历史文本语义化的关键步骤，该工具无需标注数据、支持多语言、性能可靠，降低了历史文本语义分析门槛。图书馆、档案馆、历史研究机构可利用其快速构建历史知识图谱，支持更丰富的历史研究与文化探索。

MHEL-LLAMO为历史实体链接开辟新方向，未来可探索：1. 更强的多语言预训练模型；2. 更精细的置信度校准方法；3. 跨历史时期的迁移学习策略。同时，该工作表明通用AI需与领域知识（历史语言学、数字人文）结合才能发挥最大价值。