【Prompt Engineering】4 推断

一、引言

  • 推断任务涉及模型接收文本输入并执行分析,如提取标签、实体、理解情感等。
  • 传统机器学习需要大量工作:收集数据、训练模型、部署模型。
  • LLM(大型语言模型)允许通过编写Prompt快速开始任务,无需大量工作。
  • 可以使用单一模型和API执行多种任务,无需训练和部署多个模型。
python 复制代码
from zhipuai import ZhipuAI
# 导入第三方库

key = " "
zhipu_client = ZhipuAI(api_key = key)
python 复制代码
def get_completion(prompt, model="glm-3-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = zhipu_client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0, # this is the degree of randomness of the model's output
    )
    return response.choices[0].message.content

二、情感推断与信息提取

2.1 情感分类
  • 电商平台台灯评论的情感二分类(正向/负向)。
  • 使用Prompt分类情感,输出结果为"积极"或"消极"。
python 复制代码
# 中文
lamp_review_zh = """
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。\
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。\
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!\
在我看来,Lumina 是一家非常关心顾客和产品的优秀公司!
"""
python 复制代码
# 中文
prompt = f"""
以下用三个反引号分隔的产品评论的情感是什么?

评论文本: ```{lamp_review_zh}```
"""
response = get_completion(prompt)
print(response)
python 复制代码
prompt = f"""
以下用三个反引号分隔的产品评论的情感是什么?

用一个单词回答:「正面」或「负面」。

评论文本: ```{lamp_review_zh}```
"""
response = get_completion(prompt)
print(response)
2.2 识别情感类型
  • 识别评论中的情感类型,输出不超过五项的情感列表。
python 复制代码
# 中文
prompt = f"""
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。

评论文本: ```{lamp_review_zh}```
"""
response = get_completion(prompt)
print(response)
2.3 识别愤怒
  • 判断评论作者是否表达愤怒,输出"是"或"否"。
python 复制代码
# 中文
prompt = f"""
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。

评论文本: ```{lamp_review_zh}```
"""
response = get_completion(prompt)
print(response)
2.4 商品信息提取
  • 从评论中提取购买物品和制造物品的公司名称。

  • 输出格式化为JSON对象,包含"Item"和"Brand"键。

    python 复制代码
    # 中文
    prompt = f"""
    从评论文本中识别以下项目:
    - 评论者购买的物品
    - 制造该物品的公司
    
    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。
    如果信息不存在,请使用 "未知" 作为值。
    让你的回应尽可能简短。
      
    评论文本: ```{lamp_review_zh}```
    """
    response = get_completion(prompt)
    print(response)
2.5 综合完成任务
  • 编写单个Prompt提取情感、愤怒、物品和品牌信息。
  • 输出格式化为JSON对象,包含"Sentiment"、"Anger"、"Item"和"Brand"键。
python 复制代码
# 中文
prompt = f"""
从评论文本中识别以下项目:
- 情绪(正面或负面)
- 审稿人是否表达了愤怒?(是或否)
- 评论者购买的物品
- 制造该物品的公司

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。
如果信息不存在,请使用 "未知" 作为值。
让你的回应尽可能简短。
将 Anger 值格式化为布尔值。

评论文本: ```{lamp_review_zh}```
"""
response = get_completion(prompt)
print(response)

三、主题推断

  • 推断长文本的主题,如新闻报道。
python 复制代码
# 中文
story_zh = """
在政府最近进行的一项调查中,要求公共部门的员工对他们所在部门的满意度进行评分。
调查结果显示,NASA 是最受欢迎的部门,满意度为 95%。

一位 NASA 员工 John Smith 对这一发现发表了评论,他表示:
"我对 NASA 排名第一并不感到惊讶。这是一个与了不起的人们和令人难以置信的机会共事的好地方。我为成为这样一个创新组织的一员感到自豪。"

NASA 的管理团队也对这一结果表示欢迎,主管 Tom Johnson 表示:
"我们很高兴听到我们的员工对 NASA 的工作感到满意。
我们拥有一支才华横溢、忠诚敬业的团队,他们为实现我们的目标不懈努力,看到他们的辛勤工作得到回报是太棒了。"

调查还显示,社会保障管理局的满意度最低,只有 45%的员工表示他们对工作满意。
政府承诺解决调查中员工提出的问题,并努力提高所有部门的工作满意度。
"""
3.1 推断讨论主题
  • 确定文本中讨论的五个主题,每个主题用1-2个单词描述,输出为逗号分隔的列表。
python 复制代码
# 中文
prompt = f"""
确定以下给定文本中讨论的五个主题。

每个主题用1-2个单词概括。

输出时用逗号分割每个主题。

给定文本: ```{story_zh}```
"""
response = get_completion(prompt)
print(response)
3.2 为特定主题制作新闻提醒
  • 确定特定主题列表中的每个项目是否是文本中的主题,输出为0或1的答案列表。
  • 根据输出结果,可以生成新闻提醒,例如关于NASA的新消息。
python 复制代码
# 中文
prompt = f"""
判断主题列表中的每一项是否是给定文本中的一个话题,

以列表的形式给出答案,每个主题用 0 或 1。

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


给定文本: ```{story_zh}```
"""
response = get_completion(prompt)
print(response)
python 复制代码
topic_dict = {}
for i in response.split('\n'):
    words = i.split(': ')
    if len(words) > 1 and words[1].strip():
        topic_dict[words[0].strip()] = words[1].strip()
print(topic_dict)
if topic_dict['- 美国航空航天局'] == '1':
    print("提醒: 关于美国航空航天局的新消息")

总结

  • 使用LLM和Prompt可以快速构建用于文本推理的系统,无需传统机器学习的复杂流程。
  • 可以快速执行情感分析、信息提取和主题推断等NLP任务。
  • 这种方法对于熟练的机器学习开发人员和新手都非常有用,可以显著提高开发速度。
相关推荐
欲掩16 分钟前
神经网络与深度学习:案例与实践——第三章(3)
人工智能·深度学习·神经网络
新知图书18 分钟前
OpenCV销毁窗口
人工智能·opencv·计算机视觉
Blossom.11831 分钟前
大数据时代的隐私保护:区块链技术的创新应用
人工智能·深度学习·自动化·区块链·智能合约
Ama_tor1 小时前
12AI搭建preparationのCIFAR-10数据集分类(论训练的必要性)
人工智能
阿坡RPA1 小时前
玩转MCP:用百度热搜采集案例快速上手并接入cline
人工智能·aigc·mcp
coding随想1 小时前
全球首款通用型人工智能代理的突破与启示:Manus
人工智能·openai
Hiweir ·1 小时前
pyTorch框架使用CNN进行手写数字识别
人工智能·pytorch·cnn
驼驼学编程1 小时前
CV深度学习
人工智能·深度学习
QQ_7781329741 小时前
从0到神谕:GPT系列的进化狂想曲——用AI之眼见证人类语言的终极形态
人工智能·gpt
arbboter2 小时前
【AI模型核心流程】(一)大语言模型输入处理机制详解与常见误解辨析
人工智能·自然语言处理·大语言模型·分词技术·嵌入层原理·大模型输入·子词分词