Text Classification via Large Language Models

Abstract

表达大模型在文本分类上做的不好。
原因：
1、处理复杂语境时缺少推理能力。(e.g… 类比、讽刺)
2、限制学习的上下文的token数。
提出了自己的策略：
** Clue And Reasoning Prompting (CARP).线索与推理提示**
1、能用prompt找到clue(语境线索)
2、能使用K-最近邻算法在上下文的学习中，使得能利用LLM的泛化性和具体任务的全标签功能。
ICL(in-context learning)。

introduction

带有ICL的LLM的效果不如微调后的文本分类模型原因：
1、LLM的推理能力不行
2、上下文学习受限，the longest context allowed for GPT-3 is 4,096 subtokens.
所以比监督学习(文本分类模型)的效果要差一些。

related work

大模型可以泛泛的被分为三类：
1、encoder-only：Bert
2、decoder-only：GPT
3、encoder-decoder：T5

prompt Construction （优化结构）

通过input对于语句的判断(sentiment is positive or negative)做引导，证明这种可行性只需要在few-shot证明即可。

prompt样例👆

选取输入样例

1、Random：没什么的特殊的，随机选样。
2、kNN Sampling：把$x_{test}$使用一个encoder模型，选出和$x_{test}$相近的k个数据，选取相近sentence的方法：
1.SimCSE：基于语义模型做的检索语义相似的example，但是不一定是具有相同标签的示例。
2.Finetuned Model：CARP使用在训练数据集上微调的模型作为kNN编码器模型。
个人理解是在训练前加入了一个encoder模型，然后有针对性的(取相似Q&A)作为大模型的prompt。

线索收集与推理

整个过程是模范(mimics)人的步骤来进行的。

Overview

Clue

表现的更多是一些浅显的词汇分词意思。

Reasoning

表现的是一种通过理解语句的逻辑推理，更深层次的论证，所以更像人类的决定。