通过对话式提示实现的少样本和无训练评论生成

个人化评论生成有助于企业了解用户偏好，但大多数现有方法都假设目标用户拥有大量评论历史或需要额外的模型训练。实际应用常常面临少样本和无训练的情况，即只有少量用户评论可用且不可进行微调。众所周知，大型语言模型(LLM)可以解决此类低资源场景，但其有效性取决于提示工程。在本文中，我们提出了对话式提示(conversational prompting)，这是一种轻量级方法，将用户评论重新格式化为多轮对话。其简单变体即简单对话式提示(Simple Conversational Prompting, SCP)，仅依赖用户自身的评论；而对比变体即对比对话式提示(Contrastive Conversational Prompting, CCP)，则插入来自其他用户或LLM的评论作为错误回复，然后要求模型对其进行纠正，以鼓励模型以用户风格生成文本。我们在八个产品领域和五个LLM上进行了实验，结果显示，传统非对话式提示常常会生成与随机用户撰写的评论相似的评论，基于基于文本的指标如ROUGE-L和BERTScore，以及面向应用的任务如用户身份匹配和情感分析。在 contrast，无论每个用户只有两篇评论，SCP和CCP都能生成更接近目标用户风格的评论。当高质量的负面样本可用时，CCP可带来进一步的改进，而SCP在此类数据无法收集时仍能保持竞争力。这些结果表明，对话式提示为评论生成在少样本和无训练约束下提供了实用解决方案。