Извличане на обекти с обучение с няколко изстрела
Сега ще извършим извличане на същности благодарение на обучението с няколко снимки.
Да речем, че искате да извлечете заглавия на длъжности от уебсайтове. Просто дайте няколко примера за извличане на заглавия на длъжности, преди да направите същинската си заявка:
Extract job titles from the following sentences.
Sentence: John Doe has been working for Microsoft for 20 years as a Linux Engineer.
Job title: Linux Engineer
###
Sentence: John Doe has been working for Microsoft for 20 years and he loved it.
Job title: none
###
Sentence: Marc Simoncini | Director | Meetic
Job title: Director
###
Sentence: Franck Riboud was born on 7 November 1955 in Lyon. He is the son of Antoine Riboud, who transformed the former European glassmaker BSN Group into a leading player in the food industry. He is the CEO at Danone.
Job title: CEO
###
Sentence: Damien is the CTO of Platform.sh, he was previously the CTO of Commerce Guys, a leading ecommerce provider.
Job title:
Резултатът ще бъде следният:
Extract job titles from the following sentences.
Sentence: John Doe has been working for Microsoft for 20 years as a Linux Engineer.
Job title: Linux Engineer
###
Sentence: John Doe has been working for Microsoft for 20 years and he loved it.
Job title: none
###
Sentence: Marc Simoncini | Director | Meetic
Job title: Director
###
Sentence: Franck Riboud was born on 7 November 1955 in Lyon. He is the son of Antoine Riboud, who transformed the former European glassmaker BSN Group into a leading player in the food industry. He is the CEO at Danone.
Job title: CEO
###
Sentence: Damien is the CTO of Platform.sh, he was previously the CTO of Commerce Guys, a leading ecommerce provider.
Job title: CTO
Както забелязахте, трябва да сме наясно с това как правим примерите с няколко снимки. Може да се случи така, че изобщо да не бъде намерено заглавие на длъжност, поради което създадохме пример, връщащ "none" (така се избягват фалшивите положителни резултати). Може би искате да извлечете няколко заглавия на длъжности едновременно? В този случай е важно да създадете примери, връщащи и няколко заглавия на длъжности (например заглавия на длъжности, разделени със запетая).
Ще получите още по-добри резултати, ако добавите още повече примери. Важно е примерите ви да са възможно най-близки до действителната ви крайна заявка. Например, ако знаете, че ще анализирате цели параграфи, а не само изречения, най-добре е да създадете примери и с параграфи.
Ако нямате достъп до модел на GPT, можете просто да използвате API на NLP Cloud. Налични са няколко клиента (Python, Go, Node.js, Ruby, PHP...). Нека да покажем един пример, в който се използва GPT-J с клиента Python:
import nlpcloud
client = nlpcloud.Client("gpt-j", "your API token", gpu=True)
client.generation("""Extract job titles from the following sentences.
Sentence: John Doe has been working for Microsoft for 20 years as a Linux Engineer.
Job title: Linux Engineer
###
Sentence: John Doe has been working for Microsoft for 20 years and he loved it.
Job title: none
###
Sentence: Marc Simoncini | Director | Meetic
Job title: Director
###
Sentence: Franck Riboud was born on 7 November 1955 in Lyon. He is the son of Antoine Riboud, who transformed the former European glassmaker BSN Group into a leading player in the food industry. He is the CEO at Danone.
Job title: CEO
###
Sentence: Damien is the CTO of Platform.sh, he was previously the CTO of Commerce Guys, a leading ecommerce provider.
Job title:""",
top_p=0.1,
length_no_input=True,
remove_input=True,
end_sequence="###",
remove_end_sequence=True
)
Резултатът ще бъде: CTO
Позволете ми да ви дам кратко обяснение за параметрите за генериране на текст, които току-що използвахме.
Зададохме много ниска горна стойност на p, защото не искаме GPT-J да създава твърде оригинални резултати: искаме просто да се придържа към това, което е видял в заявката ви.
"length_no_input" означава, че максималната стойност на дължината не трябва да взема под внимание входящия текст.
"remove_input" означава, че въведеният текст трябва да бъде премахнат от резултата.
"end_sequence" означава, че когато моделът срещне този символ, той трябва да спре да генерира текст. Тъй като в нашите примери с няколко снимки добавихме "###" в края на всеки отговор, моделът автоматично ще генерира "###" след генериране на отговора и ще спре дотук.
"remove_end_sequence" означава, че искаме да премахнем "###" от отговора.
Можете да видите повече подробности в документацията на NLP Cloud: вижте го тук.
Илюстрация на анотация