Fine-tuning Large Language Models for Entity Matching

要約

生成大規模な言語モデル（LLMS）は、ゼロショットのパフォーマンスが高く、目に見えないエンティティに一般化する能力により、エンティティマッチングの事前訓練を受けた言語モデルの有望な代替手段です。
エンティティマッチングにLLMを使用することに関する既存の研究は、迅速なエンジニアリングとコンテキスト内学習に焦点を当てています。
このペーパーでは、エンティティマッチングのための微調整LLMの可能性を調査します。
2つの次元に沿って微調整を分析します。1）トレーニングの例の表現。トレーニングセットにさまざまなタイプのLLM生成された説明を追加し、2）LLMを使用したトレーニング例の選択と生成の実験。
ソースデータセットの一致するパフォーマンスに加えて、微調整が他のドメイン内データセットや局所ドメイン全体に一般化するモデル能力にどのように影響するかを調査します。
私たちの実験は、微調整が小型モデルのパフォーマンスを大幅に改善し、より大きなモデルの結果が混合されることを示しています。
また、微調整は、クロスドメインの伝達を傷つけながら、ドメイン内データセットへの一般化を改善します。
構造化された説明をトレーニングセットに追加することは、4つのLLMのうち3つのパフォーマンスにプラスの影響を与える一方で、提案された例の選択と生成方法は、GPT-4O-MINIのパフォーマンスを低下させながらLLAMA 3.1 8Bのパフォーマンスを改善するだけであることを示します。

要約(オリジナル)

Generative large language models (LLMs) are a promising alternative to pre-trained language models for entity matching due to their high zero-shot performance and ability to generalize to unseen entities. Existing research on using LLMs for entity matching has focused on prompt engineering and in-context learning. This paper explores the potential of fine-tuning LLMs for entity matching. We analyze fine-tuning along two dimensions: 1) the representation of training examples, where we experiment with adding different types of LLM-generated explanations to the training set, and 2) the selection and generation of training examples using LLMs. In addition to the matching performance on the source dataset, we investigate how fine-tuning affects the models ability to generalize to other in-domain datasets as well as across topical domains. Our experiments show that fine-tuning significantly improves the performance of the smaller models while the results for the larger models are mixed. Fine-tuning also improves the generalization to in-domain datasets while hurting cross-domain transfer. We show that adding structured explanations to the training set has a positive impact on the performance of three out of four LLMs, while the proposed example selection and generation methods, only improve the performance of Llama 3.1 8B while decreasing the performance of GPT-4o-mini.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google