Iteratively Prompting Large Language Models for Taxonomy Induction from Limited Examples

本文是LLM系列文章，针对《Chain-of-Layer: Iteratively Prompting Large Language Models for
Taxonomy Induction from Limited Examples》的翻译。

摘要

自动分类法归纳对于网络搜索、推荐系统和问答至关重要。人工管理分类法的人力成本很高，因此非常需要自动构建分类法。在这项工作中，我们介绍了层链，这是一个上下文学习框架，旨在从给定的一组实体中引入分类法。层链将任务分解为在每个层中选择相关的候选实体，并从上到下逐步构建分类法。为了最大限度地减少错误，我们引入了基于集合的排名过滤器，以减少每次迭代时产生的幻觉内容。通过大量实验，我们证明Chain-of-Layer在四个真实世界的基准测试上实现了最先进的性能。

1 引言

2 问题定义

3 方法

4 实验

5 相关工作

6 结论

在这项工作中，我们介绍了层链（CoL），一种新的分类归纳框架。通过利用分层格式指令（HF）并结合基于集合的排名过滤器，CoL将任务分解为选择相关候选者，并从上到下逐步构建分类法，从而显著减少幻觉并提高结构准确性。大量实验结果表明，CoL优于各种基