怎么做跳转流量网站,东莞大岭山镇邮政编码,网站质作,做网站要建立站点吗第五章 推断
推断任务可以看作是模型接收文本作为输入#xff0c;并执行某种分析的过程。其中涉及提取标签、提取实体、理解文本情感等等。如果你想要从一段文本中提取正面或负面情感#xff0c;在传统的机器学习工作流程中#xff0c;需要收集标签数据集、训练模型、确定如…第五章 推断
推断任务可以看作是模型接收文本作为输入并执行某种分析的过程。其中涉及提取标签、提取实体、理解文本情感等等。如果你想要从一段文本中提取正面或负面情感在传统的机器学习工作流程中需要收集标签数据集、训练模型、确定如何在云端部署模型并进行推断。这样做可能效果还不错但是执行全流程需要很多工作。 而且对于每个任务如情感分析、提取实体等等都需要训练和部署单独的模型。 LLM 的一个非常好的特点是对于许多这样的任务你只需要编写一个 Prompt 即可开始产出结果而不需要进行大量的工作。这极大地加快了应用程序开发的速度。你还可以只使用一个模型和一个 API 来执行许多不同的任务而不需要弄清楚如何训练和部署许多不同的模型。
环境配置
参考第二章的 环境配置小节内容即可。
情感推断与信息提取
情感分类
以电商平台关于一盏台灯的评论为例可以对其传达的情感进行二分类正向/负向。
//评论示例private String review 我需要一盏漂亮的卧室灯这款灯具有额外的储物功能价格也不算太高。\n 我很快就收到了它。在运输过程中我们的灯绳断了但是公司很乐意寄送了一个新的。\n 几天后就收到了。这款灯很容易组装。我发现少了一个零件于是联系了他们的客服他们很快就给我寄来了缺失的零件\n 在我看来Lumina 是一家非常关心顾客和产品的优秀公司;
现在让我们来编写一个 Prompt 来分类这个评论的情感。如果我想让系统告诉我这个评论的情感是什么只需要编写 “以下产品评论的情感是什么” 这个 Prompt 加上通常的分隔符和评论文本等等。 然后让我们运行一下。结果显示这个产品评论的情感是积极的这似乎是非常正确的。虽然这盏台灯不完美但这个客户似乎非常满意。这似乎是一家关心客户和产品的伟大公司可以认为积极的情感似乎是正确的答案。
String prompt 以下用三个反引号分隔的产品评论的情感是什么\n 评论文本: { review };String message this.getCompletion(prompt);log.info(iterative1:\n{}, message);
情感是积极的。如果你想要给出更简洁的答案以便更容易进行后处理可以在上述 Prompt 基础上添加另一个指令用一个单词回答「正面」或「负面」。这样就只会打印出 “正面” 这个单词这使得输出更加统一方便后续处理。
String prompt 以下用三个反引号分隔的产品评论的情感是什么\n 用一个单词回答「正面」或「负面」。\n 评论文本: { review };String message this.getCompletion(prompt);log.info(iterative2:\n{}, message);
正面识别情感类型
仍然使用台灯评论我们尝试另一个 Prompt 。这次我需要模型识别出评论作者所表达的情感并归纳为列表不超过五项。 String prompt 识别以下评论的作者表达的情感。包含不超过五个项目。将答案格式化为以逗号分隔的单词列表。\n 评论文本: { review };String message this.getCompletion(prompt);log.info(iterative3:\n{}, message);
满意,感激,积极,赞赏,信任大型语言模型非常擅长从一段文本中提取特定的东西。在上面的例子中评论所表达的情感有助于了解客户如何看待特定的产品.
识别愤怒
对于很多企业来说了解某个顾客是否非常生气很重要。所以产生了下述分类问题以下评论的作者是否表达了愤怒情绪因为如果有人真的很生气那么可能值得额外关注让客户支持或客户成功团队联系客户以了解情况并为客户解决问题。
String prompt 以下评论的作者是否表达了愤怒评论用三个反引号分隔。给出是或否的答案。\n 评论文本: { review };String message this.getCompletion(prompt);log.info(iterative4:\n{}, message);
否上面这个例子中客户并没有生气。注意如果使用常规的监督学习如果想要建立所有这些分类器不可能在几分钟内就做到这一点。我们鼓励大家尝试更改一些这样的 Prompt 也许询问客户是否表达了喜悦 或者询问是否有任何遗漏的部分并看看是否可以让 Prompt 对这个灯具评论做出不同的推论。
商品信息提取
接下来让我们从客户评论中提取更丰富的信息。信息提取是自然语言处理NLP的一部分与从文本中提取你想要知道的某些事物相关。因此在这个 Prompt 中我要求它识别以下内容购买物品和制造物品的公司名称。 同样如果你试图总结在线购物电子商务网站的许多评论对于这些评论来说弄清楚是什么物品、谁制造了该物品弄清楚积极和消极的情感有助于追踪特定物品或制造商收获的用户情感趋势。 在下面这个示例中我们要求它将响应格式化为一个 JSON 对象其中物品和品牌作为键。 String prompt 从评论文本中识别以下项目\n - 评论者购买的物品\n - 制造该物品的公司\n 评论文本用三个反引号分隔。将你的响应格式化为以 “物品” 和 “品牌” 为键的 JSON 对象。\n 如果信息不存在请使用 “未知” 作为值。\n 让你的回应尽可能简短。\n 评论文本: { review };String message this.getCompletion(prompt);log.info(iterative5:\n{}, message);{物品: 卧室灯,品牌: Lumina
}如上所示它会说这个物品是一个卧室灯品牌是 Luminar.
综合完成任务
提取上述所有信息使用了 3 或 4 个 Prompt 但实际上可以编写单个 Prompt 来同时提取所有这些信息。 String prompt 从评论文本中识别以下项目\n - 情绪正面或负面\n - 审稿人是否表达了愤怒是或否\n - 评论者购买的物品\n - 制造该物品的公司\n 评论用三个反引号分隔。将您的响应格式化为 JSON 对象以 “Sentiment”、“Anger”、“Item” 和 “Brand” 作为键。\n 如果信息不存在请使用 “未知” 作为值。\n 让你的回应尽可能简短。\n 将 Anger 值格式化为布尔值。\n 评论文本: { review };String message this.getCompletion(prompt);log.info(iterative6:\n{}, message);{Sentiment: 正面,Anger: false,Item: 卧室灯,Brand: Lumina
}这个例子中我们告诉它将愤怒值格式化为布尔值然后输出一个 JSON。您可以自己尝试不同的变化或者甚至尝试完全不同的评论看看是否仍然可以准确地提取这些内容。
主题推断
大型语言模型的另一个很酷的应用是推断主题。给定一段长文本这段文本是关于什么的有什么话题以以下一段虚构的报纸报道为例。 推断讨论主题
上面是一篇虚构的关于政府工作人员对他们工作机构感受的报纸文章。我们可以让它确定五个正在讨论的主题用一两个字描述每个主题并将输出格式化为逗号分隔的列表。
String prompt 确定以下给定文本中讨论的五个主题。\n 每个主题用1-2个单词概括。\n 输出时用逗号分割每个主题。\n 给定文本: { story };String message this.getCompletion(prompt);log.info(iterative7:\n{}, message);
主题1: NASA满意度高
主题2: 社会保障管理局满意度低
主题3: NASA员工对工作感到自豪
主题4: 政府承诺解决员工问题
主题5: 政府努力提高工作满意度为特定主题制作新闻提醒
假设我们有一个新闻网站或类似的东西这是我们感兴趣的主题NASA、地方政府、工程、员工满意度、联邦政府等。假设我们想弄清楚针对一篇新闻文章其中涵盖了哪些主题。 可以使用这样的prompt确定以下主题列表中的每个项目是否是以下文本中的主题。以 0 或 1 的形式给出答案列表。
String prompt 判断主题列表中的每一项是否是给定文本中的一个话题\n 以列表的形式给出答案每个主题用 0 或 1。\n 主题列表美国航空航天局、当地政府、工程、员工满意度、联邦政府\n 给定文本: { story };String message this.getCompletion(prompt);log.info(iterative9:\n{}, message);[1, 0, 0, 1, 0]有结果可见这个故事是与关于 NASA 、员工满意度、联邦政府有关而与当地政府的、工程学无关。这在机器学习中有时被称为 Zero-Shot 零样本学习算法因为我们没有给它任何标记的训练数据。仅凭 Prompt 它就能确定哪些主题在新闻文章中有所涵盖。
这就是关于推断的全部内容了仅用几分钟时间我们就可以构建多个用于对文本进行推理的系统而以前则需要熟练的机器学习开发人员数天甚至数周的时间。这非常令人兴奋无论是对于熟练的机器学习开发人员还是对于新手来说都可以使用 Prompt 来非常快速地构建和开始相当复杂的自然语言处理任务。
