Methode zur Erkennung benannter Entitäten für Notfälle bei Naturkatastrophen basierend auf instruktionalem Tuning und grafikorientierter generationserweiterter Retrieval.

Die Erkennung benannter Entitäten in Notfällen bei Naturkatastrophen ist eine kritische Grundlagenaufgabe für das Notfallmanagement. Bestehende Methoden stehen jedoch vor Herausforderungen wie komplexen Entitätstypen, häufigem Auftreten neuer Begriffe, veralteter Modellkenntnisse und geringer Anpassungsfähigkeit an dynamische Wissensaktualisierungen, was zu begrenzter Genauigkeit und Generalisierbarkeit in realen Katastrophenszenarien führt. Um diese Probleme anzugehen, schlägt dieses Papier eine Methode zur Erkennung benannter Entitäten für Notfälle bei Naturkatastrophen vor, die auf instruktionalem Tuning und wissensgraphbasierter retrieval-augmented generation basiert. Zunächst erstellen wir ein spezielles Dataset für das instruktionale Tuning, EM-InstructNER, und einen domänenspezifischen Wissensgraph, EmergencyKG, der auf Naturkatastrophen zugeschnitten ist. Anschließend wird LoRA für das parameter-effiziente Fine-Tuning des Qwen2-7B-Instruct-Basismodells eingesetzt, während KG-basiertes RAG dynamisch Teilgraphen aus dem Wissensgraph abruft, um semantisch angereicherte erweiterte Eingabeaufforderungen zu generieren, die externe strukturierte Wissensunterstützung für generative NER bieten. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode einen makro F1-Score von 0.9205 im Testset EM-InstructNER erzielt, was einer relativen Verbesserung von 36.6% gegenüber dem am besten abschneidenden Null-Shot-Baseline (DeepSeek-R1:14B) entspricht, während sie wettbewerbsfähig bleibt mit starken überwachten Sequenzkennzeichnungsverfahren (z.B. BERT + CRF). Das Framework bietet Flexibilität bei der Aktualisierung des Wissensgraphen und reduziert signifikant die Rechenkosten für das Training und den Speicherverbrauch der GPU durch das LoRA-basierten parameterspezifische Fine-Tuning. Die evaluierung über Domänen hinweg an der öffentlichen CLUENER2020-Benchmark zeigt zudem seine Generalisierungsfähigkeit.