Subjektų išskyrimas mokantis keliais kadrais
Dabar atliksime esybių išskyrimą naudodami kelių kadrų mokymąsi.
Tarkime, kad norite iš svetainių išgauti pareigų pavadinimus. Prieš pateikdami faktinį prašymą, tiesiog pateikite porą darbo pavadinimų ištraukimo pavyzdžių:
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:
Rezultatas bus toks:
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
Kaip pastebėjote, turime būti išmintingi kurdami kelių kadrų pavyzdžius. Gali atsitikti taip, kad apskritai nebus rastas joks pareigų pavadinimas, todėl sukūrėme pavyzdį, grąžinantį "nėra" (taip išvengiama klaidingų teigiamų rezultatų). Galbūt norite išgauti kelis pareigų pavadinimus vienu metu? Tokiu atveju svarbu sukurti pavyzdžius, grąžinančius ir kelis pareigų pavadinimus (pavyzdžiui, kableliais atskirtus pareigų pavadinimus).
Dar geresnių rezultatų pasieksite įtraukę dar daugiau pavyzdžių. Be to, svarbu, kad jūsų pavyzdžiai būtų kuo artimesni tikrajai galutinei užklausai. Pavyzdžiui, jei žinote, kad analizuosite ištisas pastraipas, o ne tik sakinius, geriausia kurti pavyzdžius ir su pastraipomis.
Jei neturite prieigos prie GPT modelio, galite tiesiog naudoti NLP Cloud API. Yra keli klientai (Python, Go, Node.js, Ruby, PHP...). Parodykime pavyzdį, kaip naudoti GPT-J su "Python" klientu:
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
)
Rezultatas bus toks: CTO
Leiskite trumpai paaiškinti, kokius teksto generavimo parametrus ką tik naudojome.
Nustatėme labai mažą viršutinę p reikšmę, nes nenorime, kad GPT-J sukurtų pernelyg originalius rezultatus: norime, kad ji laikytųsi to, ką matė jūsų užklausoje.
"length_no_input" reiškia, kad nustatant didžiausią ilgio reikšmę neturėtų būti atsižvelgiama į įvesties tekstą.
"remove_input" reiškia, kad įvesties tekstas turi būti pašalintas iš rezultato.
"end_sequence" reiškia, kad, kai modelis sutinka šį simbolį, jis turėtų nustoti generuoti tekstą. Kadangi mūsų kelių kadrų pavyzdžiuose kiekvieno atsakymo pabaigoje pridėjome "####", modelis, sugeneravęs atsakymą, automatiškai sugeneruos "####" ir sustos.
"remove_end_sequence" reiškia, kad iš atsakymo norime pašalinti "####".
Daugiau informacijos rasite "NLP Cloud" dokumentacijoje: žr. čia.
Anotacijos iliustracija