LLM-大语言模型的推理、推断任务（Inferring）-2

5.2识别情感类型

让我们看看另一个prompt，仍然使用台灯评论。这次我要让它识别出以下评论作者所表达的情感列表，不超过五个。

prompt = f"""

识别以下评论的作者表达的情感。包含不超过五个项目。将答案格式化为以逗号分隔的单词列表。

评论文本: ```{lamp_review_zh}```

"""

response = get_completion(prompt)

print(response)

# >>>>>>> 输出 <<<<<<<

满意,感激,信任,赞扬,愉快

 大型语言模型非常擅长从一段文本中提取特定的东西。在上面的例子中，评论正在表达情感，这非常有助于了解客户如何看待特定的产品。

5.3 从客户评论中提取产品和公司名称

在接下来的任务中，我们需要从客户评论中提取更丰富的信息。这是自然语言处理（NLP）中的一个重要任务，它涉及从文本中提取特定信息。在本任务中，我们希望识别以下内容：购买的物品和制造该物品的公司名称。假设我们要总结在线购物电商网站上的许多评论。对于这些评论，了解到底是哪种物品，由哪个公司制造的会非常有用。此外，了解积极和消极的情感也很重要，以便跟踪特定物品或制造商的情感趋势。为了方便解析和使用数据，我们将要求模型生成一个 JSON 对象作为回应，其中包含物品和制造商作为键。

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。将你的响应格式化为以 “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}```

"""

response = get_completion(prompt)

print(response)

# >>>>>>> 输出 <<<<<<<

{

  "物品": "卧室灯",

  "品牌": "Lumina"

}

如上所示，它会说这个物品是一个卧室灯，品牌是 Luminar，你可以轻松地将其加载到 Python 字典中，然后对此输出进行其他处理。