使用大型语言模型进行隐喻识别：RAG、提示工程与微调的比较
计算与语言
2025-10-02 v2 人工智能
摘要
隐喻是话语中普遍存在的特征，也是审视认知、情感与意识形态的有力视角。然而，由于隐喻对上下文敏感的特性，大规模分析受限于人工标注的需求。本研究探讨了大型语言模型（LLM）在全文中自动识别隐喻的潜力。我们比较了三种方法： 检索增强生成（RAG），即为模型提供代码本，并指示其根据规则与示例对文本进行标注； 提示工程，即我们设计特定于任务的口头指令； 微调，即在人工标注的文本上训练模型以优化性能。在提示工程中，我们测试了零样本、少样本与思维链策略。结果表明，最先进的闭源 LLM 能够达到较高的准确率，其中微调获得了 0.79 的中位 F1 分数。对人类与 LLM 输出的比较显示，大多数差异是系统性的，反映了隐喻理论中众所周知的灰色地带与概念挑战。我们提出，LLM 至少可用于部分自动化隐喻识别，并可作为开发与完善隐喻识别协议及其底层理论的试验台。
引用
@article{arxiv.2509.24866,
title = {Metaphor identification using large language models: A comparison of RAG, prompt engineering, and fine-tuning},
author = {Matteo Fuoli and Weihang Huang and Jeannette Littlemore and Sarah Turner and Ellen Wilding},
journal= {arXiv preprint arXiv:2509.24866},
year = {2025}
}