? 大模型大一统的时代来临了，各nlp任务不需要单独准备一份带标签的数据进行有监督训练，而是只需要一句prompt便可以解决各类nlp任务，如情感分类、情感类型识别、实体抽取等，极大地减轻了工作量！

⭐ 比如：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，以跟踪特定物品或特定制造商的积极或消极情感趋势，可能会很有用。

⭐ 下面还是以商品评论为例进行讲解。

1、情感分类 prompt

对商品评论进行情感分类（正面 / 负面）：

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！
"""

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}```
"""

输出：
情感是积极的/正面的。

如果你想要给出更简洁的答案，以便更容易进行后处理，可以使用上面的prompt并添加另一个指令，以一个单词 “正面” 或 “负面” 的形式给出答案。这样就只会打印出 “正面” 这个单词，这使得文本更容易接受这个输出并进行处理。

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}```
"""

输出：
正面

2、情感类型识别 prompt

这次让它识别出以下评论所表达的情感列表，不超过五个：

prompt = f"""
识别以下评论的作者表达的情感。包含不超过五个词语。将答案格式化为以逗号分隔的单词列表。
评论文本: ```{lamp_review_zh}```
"""

输出：
满意,感激,信任,赞扬,愉快

3、识别是否愤怒 prompt

对于很多企业来说，了解某个顾客是否非常生气很重要。所以你可能有一个类似这样的分类问题：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，让客服及时联系客户以了解情况，并为客户解决问题。

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}```
"""

输出：
否

• 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，看看是否可以让prompt对这个评论做出不同的推论。

4、从客户评论中提取产品和公司名称

下面我们要求模型输出格式化为一个 JSON 对象，其中物品和品牌是键；这样你就可以将输出轻松地加载到 Python 字典中，然后对此输出进行其他处理。

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。将你的输出格式化为以 “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}```
"""


输出：
{
  "物品": "卧室灯",
  "品牌": "Lumina"
}

5、一次完成多个nlp任务

其实也可以写一个prompt来完成上面的所有任务（情感分析+实体抽取）：

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。将您的输出格式化为 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}```
"""


输出：
{
  "Sentiment": "正面",
  "Anger": false,
  "Item": "卧室灯",
  "Brand": "Lumina"
}

6、推断主题

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？
⭐ 下面以新闻报纸文章为例进行讲解。

# 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。
"""

6.1、推断5个主题

让模型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：

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}```
"""

输出：
调查结果, NASA, 社会保障管理局, 员工满意度, 政府承诺

6.2、为特定主题制作新闻提醒

判断这个新闻是否包含我们感兴趣的主题。这样的话有利于当出现某个主题的新闻时，及时输出提醒。

prompt = f"""
判断主题列表中的每一项是否是给定主题列表中的一个话题，
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}```
"""

 
 
 
 
 
 
参考链接：
[1] OpenAI
[2] 吴恩达老师的：DeepLearning.AI
[3] DataWhale
[4] https://learn.deeplearning.ai/