一种逻辑一致的思路链方法用于立场检测-计算机科学-机器学习-逻辑一致思维链-自然语言处理.pdfVIP

一种逻辑一致的思路链方法用于立场检测

1123

BowenZhang,DaijunDing,LiwenJingHuHuang

1CollegeofBigDataandInternet,ShenzhenTechnologyUniversity,Shenzhen,China

2ShenzhenX-Institute,Shenzhen,China

3PekingUniversityShenzhenGraduateSchool,Shenzhen,China

AbstractZSSD传统上被定义为基于目标的句子级

分类任务，该任务利用了非预训练或预训练语

零样本立场检测（ZSSD）旨在识别对未

见过的目标的立场。将背景知识纳入以增言模型（PLMs）Jiangetal.(2019);Liangetal.

强已见与未见目标之间的可转移性构成了(2022a)。然而，句子中常常包含背景知识，例

ZSSD的主要方法。然而，这些方法往往难如特定领域的术语、文化参考、社交媒体的语

以克服知识任务脱节问题，并且在预测中言风格等。这些元素对于常规方法来说难以理

本缺乏逻辑一致性。为了解决这些问题，我们解，并且需要专门的解析才能被完全理解。

译引入了一种名为逻辑一致思维链（LC-CoT）

近期，改进ZSSD的努力主要集中在利用

中的新方法用于ZSSD，通过确保提取的相关这种背景知识上，主要是通过无监督方法来实

2且逻辑合理的知识来改进立场检测。LC-

vCoT采用三步过程。首先，评估是否需要现的，这是由于明确标注的背景数据稀缺所致

4

5补充的外部知识。其次，它使用API调用Liuetal.(2021);Zhuetal.(2022);Liangetal.

0来检索这些知识，这些知识可以由单独的(2022b)。大型语言模型（如GPT系列）在综

6

1LLM处理。最后，一个手动示例引导LLM合文本语料库上的训练出现，为知识提取提供

.

2推断立场类别，利用如果则逻辑结构来保了新的途径，以增强立场检测(Lietal.,2023a;

1持相关性和逻辑连贯性。这种有结构的方

3Zhangetal.,2023)。然而，当前的ZSSD方法

2法获取背景知识增强了模型的能力，优于

:在知识利用方面存在明显缺陷，导致了两个关

v传统的监督方法且无需依赖标注数据。

i键问题：1)知识任务脱节：传统方法倾向于提

x

r1介绍取与具体立场检测任务关联性有限的广泛、碎

a

片化的信息组件。这可能在处理高度依赖于目