ReLTEx：可靠的基于 LLM 的分类法扩展

大语言模型 (LLM) 的最新进展展示了生成语义相关概念和关系的强大能力，使其成为分类丰富的有前途的工具。然而，直接依赖 LLM 生成的扩展通常会导致噪声、冗余或层次不一致的结构，从而限制了它们自动分类扩展的可靠性。在本文中，我们提出了 ReLTEx，一个基于 LLM 的可靠分类扩展的框架。 ReLTEx 将 LLM 驱动的候选生成与结构感知验证和递归扩展控制相结合，通过减少幻觉来提高生成的分类法的一致性和质量。我们在屏蔽分类法扩展设置下使用基准分类法评估所提出的框架，并比较多种验证策略。实验结果在适应的评估指标和人工评估的支持下表明，ReLTEx 可以产生更可靠且语义一致的分类扩展。