通过反馈增强的基于特征的上下文学习方法识别隐喻成分

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Metaphor Components Identification with Feedback-enhanced Feature-driven In-context Learning

隐喻组件通过源域与目标域词汇关联促进复杂概念认知，本研究提出基于LLM的FF-ICL框架，融合上下文学习与人类反馈机制。通过机器反馈构建示范池，引入多头图注意力网络捕捉语言结构信息，形成特征丰富的向量库，结合上下文提示优化LLM隐喻识别能力。实验验证了该框架在公共数据集上的优越性，并证实隐喻组件对下游计算隐喻任务的关键作用。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

隐喻作为一种常见的语言表达方式，有助于人们在交流、写作和认知过程中直观地理解复杂概念。隐喻的组成部分，包括源域词汇和目标域词汇，是识别和解释隐喻的关键要素。本文重点研究隐喻的组成部分，并提出了一种基于大规模语言模型（LLM）的隐喻组成部分识别框架——该框架采用了反馈增强的特征驱动上下文学习（FF-ICL）方法。具体而言，该框架整合了受人类学习启发的上下文学习和反馈机制。首先，设计了一种机器反馈机制，对训练样本进行预测，构建了一个包含预测结果和反馈信息的候选演示集；其次，引入了多头图注意力网络（GAT），以捕捉隐喻表达中嵌入的语言和结构信息，生成丰富的特征表示，并建立一个向量存储库。该框架根据存储库，在不同特征维度上检索与输入查询最相关的演示内容，并结合上下文提示来有效微调 LLM。在公共数据集上的实验和分析证明了 FF-ICL 的优越性。此外，隐喻概念映射实验验证了隐喻组成部分在下游计算隐喻任务中的关键作用。相关数据和代码可在 https://github.com/WXLJZ/FF-ICL 获取。

AI 摘要

AI 生成的摘要（实验性)

此摘要是由自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助读者发现内容的相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍是文章的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的简单语言摘要，您必须具有高级访问权限。