ACL 2025 论文阅读：Dynamic Label Name Refinement for Few-Shot Dialogue Intent Classification

论文名：用于小样本对话意图分类的动态标签名称优化；2025 ACL 主会场的短篇论文

arxiv链接：https://arxiv.org/abs/2412.15603

短篇论文在提交review的时候，只需要写4页，看完这篇论文我觉得4页纸就可以把思想表达清楚了。

使用大模型针对文本做分类的时候，需要给大模型输入文本与候选类别标签。大模型需要把文本与候选的标签名称对应起来。如果标签名称并不能很好的代表这个类别的含义，那么大模型在做自然语言推理的时候，效果就会不好。这篇论文提出了一种方法，让大模型根据上下文，给每个类别动态的定义新标签。然后大模型再针对新标签进行分类。

图1 类别名称相似影响分类结果，分成上下两部分看。图1 的上部分是根据相似相似召回的段落，根据原始文本与标签名称，优化定义出新的标签名称。

图1 的下部分是一个例子。原始的分类标签名很相似会导致大模型分类效果不好。使用大模型定义新标签，新标签的之间的相似度会降低，这样有利于大模型分类。

大模型在标签重命名的时候，是一次性对所有的标签重命名。
这些类别在一起，方便大模型重新定义类别，这样就方便针对不同的类别，定义出类别相似度较远的新的类别名。

图2 是流程图，图1与图2有很多重复的地方。图2透漏的额外内容就是在最后再把新标签名再换回原始的标签名。

表1主实验，说明使用refined定义新的标签名，分类效果更好。

实验分析：

针对不同模型的新类别重定义的效果，计算旧类别名与新类别名之间的相似度。从上图的实验结果可以看出，强大的模型旧类别名与新类别名之间的相似度会更低。

表3的这个实验我觉得做的很巧妙。表3 的模型有2行，顶部行的模型用于修改标签名，第二行的模型用于文本分类。
从这个表中，可以看出来，强大的模型做标签名修改，强大的模型做文本推理，两个都可以提高文本分类的效果。
从这个表的设计来看，我觉得做的很好。因为最终效果不仅会和标签名修改的效果有关系，也和最终用于文本分类的模型也有关系。