利用渐进式提示增强使大型语言模型成为更好的在线营销知识挖掘器
人工智能
2025-04-03 v2 机器学习
摘要
如今，移动经济的快速发展促进了在线营销活动的繁荣，其成功在很大程度上依赖于用户偏好与期望营销活动之间的高效匹配，而一个完善的营销导向知识图谱（称为 MoKG）可作为偏好传播的关键“桥梁”。在本文中，我们寻求利用领域知识谨慎地提示大型语言模型，使其作为更好的营销导向知识挖掘器，用于构建营销导向知识图谱。然而这并非易事，在真实营销场景中存在若干不可避免的问题，即 LLM 不可控的关系生成、单一提示的提示能力不足以及 LLM 难以承受的部署成本。为此，我们提出了 PAIR，一种利用 LLM 收集营销导向知识图谱的新型渐进式提示增强挖掘框架。具体而言，我们通过知识赋能的提示技术，将纯关系生成简化为基于 LLM 的自适应关系过滤过程。接着，我们通过渐进式提示增强引导 LLM 进行实体扩展，随后综合考虑自一致性和语义相关性进行可靠聚合。在在线服务方面，我们专门设计了一个小型且白盒的 PAIR（即 LightPAIR），其使用由强教师 LLM 提供的高质量语料库进行微调。在受众定位中的大量实验和实际应用验证了所提出的（Light）PAIR 的有效性。
引用
@article{arxiv.2312.05276,
title = {Making Large Language Models Better Knowledge Miners for Online Marketing with Progressive Prompting Augmentation},
author = {Chunjing Gan and Dan Yang and Binbin Hu and Ziqi Liu and Yue Shen and Zhiqiang Zhang and Jinjie Gu and Jun Zhou and Guannan Zhang},
journal= {arXiv preprint arXiv:2312.05276},
year = {2025}
}
备注
Accepted by ICDE 2025, new version paper title: Effectively PAIRing LLMs with Online Marketing via Progressive Prompting Augmentation