基于上下文学习和语义检索增强的零样本立场检测方法

摘要

针对传统零样本立场检测方法需要依赖大量标注数据对模型微调的问题，提出一种基于上下文学习与语义检索增强的方法，以在不修改模型参数的条件下，提高大模型对未见对象的立场推理能力。通过语义相似度检索，从已有标注数据中筛选与待测文本相关的样例，并基于大模型的上下文学习范式，使用任务描述把相关样例和待测文本格式化为输入提示，以驱动大模型在更丰富的上下文语境下进行立场分类。实验结果表明，该方法在原始基础上提升了Flan-T5模型的零样本立场检测性能，并在SEM16数据集的细粒度零样本立场检测中显著优于原始模型。通过应用该方法，可以深化大语言模型对任务的了解，并激励模型参考相关样例中的关联知识以理解待测文本，从而更准确地推理关于未见对象的立场。

关键词

零样本立场检测 / 上下文学习 / 语义检索 / 大语言模型