SPARROW：通过结构保留分区和约束引导合并进行可扩展分类归纳

分类归纳旨在将概念集组织成连贯的层次结构。最近基于 LLM 的方法可以直接从平面术语列表中导出分类法，避免了对语料库的需要，但随着概念集规模的扩大，分类法会急剧退化。我们认为这种退化不仅源于上下文长度限制，还源于层次推理中的结构性失败。为了解决这个问题，我们采用分而治之的范式，将概念划分为更小的子集，引入局部分类法，并将它们合并到全局层次结构中。然而，我们确定了该范式固有的两种结构失效模式：结构碎片，其中分区削弱了局部层次结构信号，以及父代位移，其中局部合理的关系在全局层次结构中被放错了位置。为了解决这两个问题，我们提出了 SPARROW，一种可扩展的分类归纳框架，它结合了结构保留的谱分区以保留每个块内的层次连接性，以及约束引导的增量融合，将块级关系视为结构约束，而不是用于全局放置的 真值。大规模基准测试表明，SPARROW 在各个主干网中始终保持最强的全局结构质量。代码可在 https://github.com/rebeccazyr/SPARROW 获取。