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