论文《LLM-as-classifier: Semi-Supervised, Iterative Framework for Hierarchical Text Classification using Large Language Models》总结与翻译一、文章主要内容总结该论文聚焦于解决大语言模型（LLMs）在实际生产环境中作为分类器时面临的可靠性、鲁棒性和可扩展性问题，提出了一套半监督、迭代式的层级文本分类框架，核心内容可分为以下几个部分：1. 研究背景与问题传统自然语言处理与主流大数据分析曾相互独立，限制了从非结构化文本语料中挖掘价值的能力，而LLMs的出现推动了范式转变，其在文本语义模式识别上的强大能力为文本分类提供了新可能，可应用于用户反馈理解、支持请求分类、内容政策执行等场景。现有LLM分类方法存在缺陷：一方面，针对特定分类任务微调LLM需要大量标注数据和计算资源，难以适应快速变化的业务需求；另一方面，利用LLM上下文学习能力（通过设计提示词实现分类）虽更灵活，但面临提示词设计、结果验证和操作鲁棒性等挑战。2. 核心框架：四阶段迭代流程框架从高层概念化逐步过渡到可用于生产的精细化分类提示词，包含“基础构建-迭代优化-验证部署-监控