用本地大模型(llama3)进行数据分类标记｜LLM 用例

001｜背景

这是我最新发布的导航站点 https://aiwith.me

这个站点由于第一版数据来源于第三方，只有站点基础数据，没有对数据进行分类，最近站点上线了，主体框架都搭建完成了，这才有空去对数据做分类. 目前的快捷筛选，完全依靠关键字匹配检索。

前期为了快速上线，直接拿到词频相对较高和常用的词语进行筛选。
这样过于粗暴，而且有时候不太准确。

002｜分类方案

数据量多了之后，这样的筛选会越来越不准确，有时候站点信息没有这些关键字，但分类上是一致的。
为更好的把站点按照类型区分，我想了这些办法：

1、人工标记 - 历史数据太多了，太费时（）
2、通过大模型去分类 - Kimi 或者 ChatGPT-3.5
3、通过本地大模型去分类-正好测试一下本地大模型的性能和准确性如何。

最后选择了第三种方案，因为不需要 API 成本，并且可以试试本地模型性能！

003｜使用 Ollma 运行本地模型

使用 Ollma 来快捷的运行本地大模型：
ollama 介绍
https://ollama.com/

Ollma 支持运行的常见模型：
https://github.com/ollama/ollama

下载 安装 Ollma 后，运行可以按照官网的命令 ollama run [模型名字]

004｜使用 API 调用模型

命令行可以支持对话，但是我有 800 条数据要跑，我不可能在这个窗口完成。所以这就需要用 ollma 的 API 执行。

默认情况下，ollma 的 API 端点在11434端口，如果你没有启动的话，执行以下命令。

参考 API 文档：
https://github.com/ollama/ollama/blob/main/docs/api.md

因为不需要对话和记忆，只要文本生成就是了，所以我们选择 /api/generate 端点。

需要处理的数据结构如下：

005｜编写提示词&调试提示词

这个过程实际上挺麻烦的，我前前后后写了四版提示词，进行测试。
主要诉求是：通过我给出的已知网站信息，给出最符合我限定范围内的分类。

随便来段 Python 代码，批量执行数据。进行提示词的调试。

1、使用 llama3 模型并禁用流输出，默认是流输出，为了序列化方便，我们一次调用一次性获得结果即可。
2、将已知的网站信息，主要是描述信息给到大模型，参照以下上面的数据结果，大约 800 +个类似的数据
3、限定输出的格式为 JSON 数组，便于编程使用（也可以直接更新数据写到新的 JSON 文件）

遇到的问题：
在最终版本确认之前改几次，几乎很多站点都分类到了 Code&IT 这个分类，这是为啥呢？
后来我分析了一下，因为我的站点都是 AI 站点，几乎都会出现关键字 AI Power 或者 AI xxx 等词语，这会让它将大部分数据分类为 IT 类。
所以我加了一个限定如下：

...
All websites are AI-related websites, so don't simply add Code&IT or AI classifications, but types that are combined with artificial intelligence, unless it's obvious that it's code assistant, low-code, or website building, don't easily classify them as Code&IT or AI
...
// 翻译如下（实际是最初由中文翻译过去的...）：
所有网站都是与AI相关的网站，所以不要简单地添加Code&IT或AI分类，而是与人工智能相结合的分类，除非很明显是代码助手、低代码或网站建设，否则不要轻易将它们归类为Code&IT或AI

006 | 最终运行效果如下:

007 | 如何判定分类效果？

1、通过搜索与分类标签的交叉验证
2、人工随机抽查数据中的分类

根据我的判定我觉得准确率应该在 80%左右，速度也挺快。
本地跑 CPU 20% 左右，一秒一个的样子。

本文写于：2024年5月23日

同时本文发表于墨问

同时本文发表于博客