LLM-as-classifier: Semi-Supervised, Iterative Framework for Hierarchical Text Classification usin...

论文《LLM-as-classifier: Semi-Supervised, Iterative Framework for Hierarchical Text Classification using Large Language Models》总结与翻译

一、文章主要内容总结

该论文聚焦于解决大语言模型（LLMs）在实际生产环境中作为分类器时面临的可靠性、鲁棒性和可扩展性问题，提出了一套半监督、迭代式的层级文本分类框架，核心内容可分为以下几个部分：

1. 研究背景与问题

• 传统自然语言处理与主流大数据分析曾相互独立，限制了从非结构化文本语料中挖掘价值的能力，而LLMs的出现推动了范式转变，其在文本语义模式识别上的强大能力为文本分类提供了新可能，可应用于用户反馈理解、支持请求分类、内容政策执行等场景。
• 现有LLM分类方法存在缺陷：一方面，针对特定分类任务微调LLM需要大量标注数据和计算资源，难以适应快速变化的业务需求；另一方面，利用LLM上下文学习能力（通过设计提示词实现分类）虽更灵活，但面临提示词设计、结果验证和操作鲁棒性等挑战。

2. 核心框架：四阶段迭代流程

框架从高层概念化逐步过渡到可用于生产的精细化分类提示词，包含“基础构建-迭代优化-验证部署-监控