Emo-Jev：用Jev的概率判断进行情感分类

Jev 为语言理解提供了另一种界面：给定输入和预定义的问题，它返回概率决策而不是自由形式的响应。该接口是否能够支持针对领先的LLM进行文本分类的有效推理仍然是一个悬而未决的问题。我们引入了 Emo-Jev，这是一个具有两个互补实现的免培训框架。 Emo-Jev-D 将分类分解为特定于任务的原子判断，并将其概率组合成最终预测。 Emo-Jev-SC 从互补的角度构建了多个判断路径，并将其预测汇总为共识决策。我们在涵盖情感分析、情绪识别、讽刺检测和幽默检测的八个数据集上评估 Emo-Jev，并与输入/输出和思维链推理下的直接 Jev 分类和五个 SoTA LLM 进行比较。标准 Jev 的平均宏 F1 达到 62.93%，而最强的 LLM 基线为 67.28%，观察到的延迟较低，成本通常也较低。