ChatGPT高效提问—prompt常见用法(续篇二)

ChatGPT高效提问—prompt常见用法(续篇)

1.4 汇总

​ 面对浩瀚的文字海洋,利用ChatGPT强大的信息汇总功能,可以提炼出其中的核心思想。这个过程涉及将复杂且详细的内容精简为一个简明扼要的版本,同时恰当地保留原始文本的主要思想。此类prompt应包括期望的输出信息的细节,如摘要的预期长度,以及可能存在的特殊要求或限制。这种技术在文本摘要和信息压缩中都极具价值。接下来通过一些实际的示例深入理解这种技术。

1.4.1 新闻总结

​ 总结新闻的prompt公式为“请用一句话总结新闻:[插入新闻内容]“。

​ 输入prompt:

Screenshot 2024-02-06 at 10.37.19

​ ChatGPT输出:

Screenshot 2024-02-06 at 10.38.11

​ ChatGPT成功将一段新闻总结为一句话。

1.4.2 会议纪要

​ 会议纪要摘要应突出主要决定以及行动。prompt公式为“总结以下会议记录,列出主要决定和行动:[插入会议记录]“。

​ 输入prompt:

Screenshot 2024-02-06 at 10.45.11

​ ChatGPT输出:

Screenshot 2024-02-06 at 11.04.39

1.4.3 书籍摘要

​ 书籍摘要是对一本书主要内容的概述,prompt公式为“简要总结下面这本书的内容:[插入图书名称或内容]“。

​ 输入prompt:

Screenshot 2024-02-06 at 11.07.44

​ ChatGPT输出:

Screenshot 2024-02-06 at 11.08.34

1.4.4 电影评论

​ 对电影情节进行概述的prompt公式为“用一句话总结电影:[插入电影名称和情节描述]“。

​ 输入prompt:

Screenshot 2024-02-06 at 11.27.07

​ ChatGPT输出:

Screenshot 2024-02-06 at 11.28.49

​ ChatGPT用一句话成功总结了电影《阿凡达》的主要情节。通过上述几个简单的例子,相信你对ChatGPT的汇总能力有了较为清晰的了解。接下来我们看看汇总能力的延伸—聚类的表现。

1.5 聚类

​ 作为一种无监督学习的方法,聚类用于将具有相似性质的数据样本聚集到一起,使得在一个组内,数据样本之间的相似度较高,而在不同的组间,数据样本的相似度较低。这种技术使我们能够挖掘出数据中隐含的模式和结构,从而对数据进行更有层次性和逻辑性的整理和分析。

​ 我们通过一个生活的例子来进一步理解聚类。假如我们需要将家里的书籍分类摆放,可能会将它们分为小说、历史、科学、艺术等类别。把这个任务交给AI,它会对这些书的内容做聚类分析,快速发现数据中的相似性和关联性,从而将不同的书归到不同的组。当有新书需要摆放时,通过分析书名和内容,AI将自动识别出该书属于哪个类别,自动归类。

1.5.1 聚类步骤

聚类通常包括以下几个步骤。

  • 数据收集:任何聚类工作的初始步骤都是收集相关数据。例如,在对气球进行聚类时,我们可能会记录每个气球的颜色和大小;而在书籍分类场景中,我们可能会考察书名和内容。在更多实际应用场景中,我们可能会收集客户信息或文本数据等多元信息。
  • 数据预处理,特征提取:在进行聚类之前,需对数据进行精细的预处理,例如剔除异常值、填充缺失值和降低噪声等,以及执行标准化和归一化等操作。这些步骤可以确保后续分析中所用数据的质量。
  • 相似度度量:在聚类过程中,我们需要计算数据对象之间的相似度。常用的相似度度量方法包括欧氏距离、余弦相似度和皮尔逊相关系数等。正确的相似度度量将对聚类结果和性能产生积极影响。
  • 聚类算法:有许多聚类算法可供选择,如k-means、DBSCAN、层次聚类、mean shift聚类、affinity propagation等。这些算法在不同的场景和数据类型下具有不同的优势和局限。在实际应用中,我们需要根据具体需求和数据特点选择合适的聚类算法。
  • 结果评估与优化:完成聚类后,我们需要对结果进行评估。常用的评估指标包括轮廓系数、Davies-Bouldin指数和Calinski-Harabasz指数等。这些指标可以帮助我们了解聚类的质量,从而指导我们调整算法参数或尝试其他聚类算法来提升聚类效果。
  • 结果解释与应用:这一步骤通常涉及对聚类结果的可视化和分析,以便从中提取有价值的信息和洞察。例如,在市场细分中,我们可以通过聚类分析消费者的行为和喜好,从而制定更有针对性的营销策略;在文本分类中,我们可以通过聚类发现数据中隐藏的结构和规律,从而提升分类效果。

1.5.2 聚类应用

​ prompt公式为“将以下内容根据[特征]分组:[插入信息]“。

输入prompt:

Screenshot 2024-02-06 at 12.41.45

ChatGPT输出:

Screenshot 2024-02-06 at 12.47.48

​ 从输出结果来看,ChatGPT成功将评论按照表达的情感进行分类。接下来看一个书籍分类的例子。

​ 输入 prompt:

Screenshot 2024-02-06 at 12.50.52

​ ChatGPT输出:

Screenshot 2024-02-06 at 12.51.42

​ 从输出结果可以看出,ChatGPT成功地依据学科对书籍进行了分类。此简单实例揭示了聚类在现实生活中的应用价值。聚类技术能够揭示数据中深藏的结构和规律,因此能为各种场景提供强大的支持。无论是在市场细分、文本分类或是社交场景中,聚类都证明了其作为一种强大且实用工具的地位。好好使用聚类,可以带来意想不到的效果。
备注:以上示例都可以在小蜜蜂AI网站获取和实现,学习网址:https://zglg.work。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Bruce_Liuxiaowei

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值