从混乱到清晰：用于文本分类的混乱感知检索和知识注入

大语言模型 (LLM) 很难将文本分类为具有许多语义相似标签的分类法，因为这些区别是特定于领域的，并且不能被 预训练 捕获。为了处理大型标签空间，一种常见的方法是通过嵌入相似性来检索 top-$K$ 候选标签，并提示 LLM 在其中进行选择。然而，top-$K$ 检索减少了候选者的数量，但无助于模型区分相似的候选者。当两个相似的标签都作为候选标签出现时，模型缺乏在它们之间正确选择的信号。我们提出了一个框架，该框架（1）识别模型难以区分哪些标签对，（2）扩展候选集以包括易混淆的标签，以及（3）生成有针对性的规则来区分相似的候选者。该框架不需要 微调，并且生成的规则转移到更小、更便宜的模型。在三个基准测试（WOS、Flipkart、LEDGAR）上，我们的方法将 Macro F1 比检索基线提高了 10.0pp，较小的模型 (2B--20B) 通过跨模型传输提高了 11.5pp。