Aug, 2023

长篇法律文件分类的大型语言模型提示链

PDF
TL;DR本研究采用逐次引导策略，以解决复杂的法律文件分类问题，通过创建原始文档的简洁摘要，语义搜索相关示例文本和标注，利用上下文学习进行标签提示，证明逐次引导不仅可以提升零样本性能，还可以超越更大模型（如 ChatGPT 零样本）的微平均 F1 得分，使用更小的模型。
prompt chaininglegal document classificationsemantic searchfew-shot learningperformance enhancement
发现论文，激发创造
  • PromptChainer：通过可视化编程连接大型语言模型提示

    探索了基于 LLMs 的多次运行串联（即 chaining）的可视化编程过程，引入一个交互式界面 PromptChainer 来支持用户构建各种机器学习应用的原型。

    Mar, 2022

  • 提示链接还是逐步提示？文本摘要中的改进

    通过对文本摘要的上下文进行比较，研究和对比了两种迭代方法，即 Prompt Chaining 和 Stepwise Prompt，发现 Prompt Chaining 方法具有更好的效果，可能是因为它可以产生更多的优化过程。

    Jun, 2024

  • 链式思考引导大型语言模型推理

    通过 chain of thought prompting 方法，在大型语言模型中提供少量的思维链示例可以显著提高其在各类数学、常识和符号推理任务上的性能，甚至超过 fine-tuned GPT-3。

    Jan, 2022

  • 合成提示：生成大型语言模型的思维链演示

    本文介绍了 Synthetic prompting 方法，该方法利用少量手工示例来提示模型自行生成更多示例，并选择有效的演示文稿以引出更好的推理。在数字、符号和算法推理任务上评估了该方法，并表明其优于现有提示技术。

    Feb, 2023

  • 零轉化臨床自然語言處理中大型語言模型的提示策略實證評估

    本文综合系统地对五个临床自然语言处理任务（临床意义消除、生物医学证据提取、共指消解、药物状态提取和药物属性提取）的提示工程进行了实验研究，评估了多种提示类型在三种先进的大型语言模型（GPT-3.5、BARD 和 LLAMA2）上的性能，并提出了对临床 NLP 领域提示工程的新见解和指南。

    Sep, 2023

  • 链式词典提示诱发大型语言模型翻译

    本篇论文提出一种新方法名为 CoD，通过使用多语言词典来引出 LLMs 的翻译能力，从而提高大规模语言模型在多语言神经机器翻译中的表现，实验表明，CoD 可使得 ChatGPT 在 FLORES-200 全 devtest 集上英塞语察里洛文翻译的 ChrF++ 分数由 3.08 提高至 42.63，优于为低资源语言提供少量演示的方法。

    May, 2023

  • 合法提示：教授语言模型像律师那样思考

    本文探讨了零样本 / 小样本以及微调方法在法律推理任务中的表现，结果发现，源于特定法律推理技术的提示能够获得最佳结果。实验最终将最佳结果从 0.7037 提升至 0.8148，并且准确性高于 2022 最佳系统的 0.6789，为 0.7431。

    Dec, 2022

  • 加强法律文件检索：采用大型语言模型的多阶段方法

    将提示技术作为检索系统中的最后阶段，通过 BM25 预排名和基于 BERT 的再排名的支持，最大限度地提高提示的潜力，从而显着提高了检索准确性。

    Mar, 2024

  • 短文本分类的 Prompt-Learning

    本文介绍了基于知识拓展的 Prompt-learning 方法来解决短文本分类中的标签扩展问题，并在三个著名数据集上实验，结果比其他方法均取得了显著提高。

    Feb, 2022

  • 大型语言模型的高效提示方法综述

    在这篇论文中，我们对高效提示的各种方法进行了全面的概述，包括使用高效计算和高效设计进行提示的方法，重点关注未来的研究方向。

    Apr, 2024