BioELX：基于别名检索与大语言模型排序的跨语言生物医学实体链接

现有技术的瓶颈与突破点

当前跨语言生物医学实体链接的核心矛盾在于：高质量的监督数据成本高昂，尤其是在非英语的低资源语言中。同时，主流的SapBERT模型严重依赖知识库中以英语为主的同义词列表进行训练，导致其对未见过的非英语实体提及泛化能力差，并且缺乏有效的上下文消歧机制。这构成了该任务的双重瓶颈。BioELX框架的提出，正是旨在同时应对数据稀缺和模型泛化这两个核心难题。

两阶段设计的巧妙之处

该框架的核心创新在于将问题解耦为两个独立的、可独立优化的阶段：

• 第一阶段：基于知识增强的候选生成。关键在于不依赖人工标注，而是从Wikidata这类开放知识库中自动挖掘多语言别名，以此丰富SapBERT的训练数据。这相当于利用外部知识“免费”地为模型注入了跨语言对齐能力，直接提升了对非英语提及的检索召回率。
• 第二阶段：基于大模型的上下文感知排序。区别于传统监督式消歧，它利用预训练大语言模型作为排序器，通过同时编码提及的上下文和候选实体描述来进行联合判断。这实现了零监督的消歧，使得系统能够处理歧义性强的生物医学术语，且无需任务特定的微调数据。

性能提升揭示的技术潜力

实验结果指向了一个明确的洞察：该方法的性能增益与语言的资源稀缺程度呈正相关。在资源极度稀缺的泰语上，Recall@1的提升高达**+30.8**，远高于英语等资源丰富语言的基准提升。这证明其框架的核心设计——即利用多语言知识库和LLM的通用能力——是解决低资源场景NLP问题的有效路径。此外，在EMEA、专利等专业领域数据集上的一致性提升，也验证了该方法良好的领域迁移能力。其成功表明，结合结构化知识库与通用大模型的“外挂式”增强，是当前绕过高质量标注数据瓶颈的一条可行技术路线。