2312.10466.md

背景

• 背景
  文章介绍了现代社交媒体，尤其是Twitter等平台上用户生成的微博每日成千上万，用户往往难以理解这些大量信息。为帮助快速和容易理解这些内容，广泛使用标签（hashtags）来传递核心的观点和主题，增加内容的可见性，并吸引更多观众。其中，主流标签是最普遍且语义准确的标签，但面临如何理解新发布微博内容以及精准辨认主流标签的双重挑战。

• 已有的工作 文章提到过去针对上述挑战已有两条研究路径：一是基于检索的方法，它通过检索固定预定义主流标签列表来缓解第二个问题，但这种方式不能很好理解持续更新的信息；二是基于生成的方法，它能很好的理解新发布的微博，但在识别没有额外特征的主流标签方面能力有限。

核心贡献

• 提出了一个RIGHT框架

  • 挑战1：如何同时理解新发布的微博并精确识别主流标签 本文提出的RIGHT框架通过检索增强技术，结合了检索与生成方法，旨在克服这一挑战。RIGHT框架包括三部分：检索器从整个微博-标签集中寻找相关的标签；选择器通过引入全球信号来增强主流标签的识别；生成器结合输入的微博和选定的标签直接生成需要的标签。

  • 挑战2：如何降低检索和选择器的成本，同时保证检索到的信息质量 通过在生成器中加入多维度的特征（如输入微博与检索到的微博和其标签之间的相似度，以及标签的频率等），提高了选择器识别主流标签的能力，从而避免了在检索器上的高成本投入，并提高了检索到信息的质量。

实现与部署

RIGHT框架在两个大型数据集（即英文Twitter (THG) 和中文微博 (WHG)）上进行了实验，与现有的最先进方法相比，取得了显著的改进。此外，由于RIGHT能够轻松集成到大型语言模型中，研究人员还将该框架应用于ChatGPT，并通过零样本指令学习，使THG的性能提高了12.7%，WHG提高了18.3%。

总结

本文提出了一种新的检索增强型生成主流标签推荐系统（RIGHT），通过结合检索器、选择器和生成器的优势，克服了现有方法在理解新信息和识别主流标签方面的限制，并在实验中取得显著成效。