CHAIRO：面向LLM的上下文层次类比归纳与推理优化

在线平台的内容审核面临持续挑战，原因在于用户生成内容的复杂性不断演化，而传统的基于规则和机器学习的方法存在局限。尽管大语言模型（LLM）的最新进展通过直接提示或微调实现了更精细的审核，这些方法在泛化、可解释性以及对未见或模糊案例的适应性方面往往有限。在本工作中，我们提出一个新颖的审核框架，利用类比示例来增强规则归纳和决策可靠性。我们的方法集成了类比检索、规则生成和审核分类的端到端优化，使审核规则能够动态适应多样的内容场景。通过全面的实验，我们证明该方法在审核准确率和规则质量上显著优于规则注入微调基线和多阶段静态RAG管线。进一步的评估，包括人工评估和外部模型泛化测试，证实我们的框架产生的规则在清晰度、可解释性和适用性上更优。这些发现表明，类比示例驱动的方法可以推进现实应用中稳健、可解释且可泛化的内容审核。