Εξαγωγή οντοτήτων με μάθηση λίγων βολών
Τώρα θα πραγματοποιήσουμε εξαγωγή οντοτήτων χάρη στη μάθηση λίγων λήψεων.
Ας υποθέσουμε ότι θέλετε να εξάγετε τίτλους θέσεων εργασίας από ιστότοπους. Απλά δώστε μερικά παραδείγματα εξαγωγής τίτλων εργασίας πριν κάνετε το πραγματικό σας αίτημα:
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:
Το αποτέλεσμα θα είναι το εξής:
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
Όπως παρατηρήσατε, πρέπει να είμαστε έξυπνοι σχετικά με το πώς φτιάχνουμε τα παραδείγματά μας με λίγα πλάνα. Μπορεί να συμβεί να μη βρεθεί καθόλου τίτλος εργασίας, γι' αυτό και δημιουργήσαμε ένα παράδειγμα που επιστρέφει "none" (αποφεύγονται τα ψευδώς θετικά αποτελέσματα). Ίσως θέλετε να εξάγετε πολλούς τίτλους εργασίας ταυτόχρονα; Σε αυτή την περίπτωση είναι σημαντικό να δημιουργήσετε παραδείγματα που επιστρέφουν επίσης αρκετούς τίτλους εργασίας (για παράδειγμα, τίτλοι εργασίας που διαχωρίζονται με κόμμα).
Θα έχετε ακόμη καλύτερα αποτελέσματα προσθέτοντας ακόμη περισσότερα παραδείγματα. Και είναι σημαντικό τα παραδείγματά σας να είναι όσο το δυνατόν πιο κοντά στο πραγματικό τελικό αίτημά σας. Για παράδειγμα, αν γνωρίζετε ότι πρόκειται να αναλύσετε ολόκληρες παραγράφους αντί για απλές προτάσεις, είναι καλύτερο να δημιουργήσετε παραδείγματα και με παραγράφους.
Αν δεν έχετε πρόσβαση σε μοντέλο GPT, μπορείτε απλώς να χρησιμοποιήσετε το API του NLP Cloud. Διατίθενται διάφοροι πελάτες (Python, Go, Node.js, Ruby, PHP...). Ας δείξουμε εδώ ένα παράδειγμα χρησιμοποιώντας το GPT-J με τον πελάτη 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
)
Το αποτέλεσμα θα είναι: CTO
Επιτρέψτε μου να σας δώσω μια γρήγορη εξήγηση σχετικά με τις παραμέτρους δημιουργίας κειμένου που μόλις χρησιμοποιήσαμε.
Ορίσαμε μια πολύ χαμηλή ανώτατη τιμή p επειδή δεν θέλουμε το GPT-J να δημιουργήσει πολύ πρωτότυπα αποτελέσματα: θέλουμε απλώς να παραμείνει σε αυτό που είδε στο αίτημά σας.
"length_no_input" σημαίνει ότι η μέγιστη τιμή μήκους δεν πρέπει να λαμβάνει υπόψη το κείμενο εισόδου.
"remove_input" σημαίνει ότι το κείμενο εισόδου πρέπει να αφαιρεθεί από το αποτέλεσμα.
"end_sequence" σημαίνει ότι όταν το μοντέλο συναντήσει αυτόν τον χαρακτήρα, θα πρέπει να σταματήσει να παράγει κείμενο. Καθώς στα παραδείγματά μας με λίγα πλάνα προσθέσαμε το "###" στο τέλος κάθε απάντησης, το μοντέλο θα παράγει αυτόματα το "###" μετά τη δημιουργία της απάντησης και θα σταματήσει εκεί.
"remove_end_sequence" σημαίνει ότι θέλουμε να αφαιρέσουμε το "###" από την απάντηση.
Μπορείτε να δείτε περισσότερες λεπτομέρειες στην τεκμηρίωση του NLP Cloud: δείτε το εδώ.
Εικονογράφηση σχολίων