常见的自然语言处理任务
常见自然语言处理任务的提示工程
Section titled “常见自然语言处理任务的提示工程”在本章中，我们将探讨提示工程如何在指导像 ChatGPT 这样的大语言模型（LLM）执行各种常见自然语言处理（Natural Language Processing，简称 NLP）任务中发挥关键作用。现代 LLM 通常可以通过零样本（zero-shot）或少样本（few-shot）提示来执行这些任务，从而减少对特定任务模型训练的需求。
NLP 任务包括理解、解释、生成或转换人类语言。有效的提示设计是 LLM 在这些任务中获得准确和相关结果的关键。
- 理解文本分类：此任务涉及将预定义的类别或标签分配给文本。常见应用包括情感分析（积极、消极、中立）、垃圾邮件检测（垃圾邮件、非垃圾邮件）和主题分类（例如，体育、科技、政治）。
- 文本分类的提示设计：清晰地定义任务和可用类别。提供示例（少样本提示）可以显著提高准确性。示例提示：“将以下电影评论的情感分类为积极、消极或中立。评论：“The plot was predictable, but the acting was superb.” Sentiment:（剧情可以预料，但表演非常精彩。”情感：）
- 理解语言翻译：此任务是将文本从一种语言转换为另一种语言，同时保留意义和细微差别。这对全球交流至关重要。
- 语言翻译的提示设计：清晰地指定源语言和目标语言。上下文对于模糊的短语也很重要。示例提示：“将以下英语句子翻译成法语：“Hello, how are you today?” French translation:（你好，今天你好吗？法语翻译：）
命名实体识别 (NER)
Section titled “命名实体识别 (NER)”- 理解命名实体识别：NER（Named Entity Recognition）涉及识别和分类文本中的命名实体，例如人名、组织名、地点名、日期和货币值。
- 命名实体识别的提示设计：指示模型识别特定类型的实体。您可以要求以特定格式输出（例如，列表或 JSON）。示例提示：“从以下文本中提取所有的人名和组织名：“Apple Inc. was co-founded by Steve Jobs, Steve Wozniak, and Ronald Wayne.” Entities:（苹果公司由史蒂夫·乔布斯、史蒂夫·沃兹尼亚克和罗纳德·韦恩共同创立。”实体：）
问答 (QA)
Section titled “问答 (QA)”- 理解问答：问答（Question Answering，简称 QA）任务涉及根据给定上下文或 LLM 的通用知识提供问题的简洁答案。上下文问答（提供一段文本）和开放域问答（无特定上下文）是常见类型。
- 问答的提示设计：对于上下文问答，清晰地标记上下文与问题的分隔。对于开放域问答，确保问题明确无歧义。示例（上下文）：‘Context: “The Eiffel Tower is a wrought-iron lattice tower on the Champ de Mars in Paris, France. It is named after the engineer Gustave Eiffel, whose company designed and built the tower.” Question: “Who designed the Eiffel Tower?” Answer:（上下文：“埃菲尔铁塔是位于法国巴黎战神广场的一座由锻铁构成的格架式建筑。它以工程师古斯塔夫·埃菲尔的名字命名，其公司设计并建造了这座塔。”问题：“谁设计了埃菲尔铁塔？”答案：）‘
- 理解文本生成：这涉及创建连贯、上下文相关且通常具有创意的新文本。应用包括故事创作、诗歌、代码生成和对话生成。
- 文本生成的提示设计：提供清晰的起点、期望的风格、长度、格式或要包含的关键元素。示例提示：“写一首关于一只认为自己是狗的猫的短小幽默诗。这首诗应该有 4 节。”
- 理解情感分析：情感分析（Sentiment Analysis）是文本分类的一种特定类型，它确定一段文本中表达的情感倾向（积极、消极、中立，或更细粒度的情感，如快乐、悲伤、愤怒）。
- 情感分析的提示设计：指定情感量表或类别。提供每种情感的示例可能会有益处。示例提示：“分析此客户反馈的情感：“The product is amazing, but the shipping was too slow.” Is the overall sentiment positive, negative, or mixed?（产品很棒，但配送太慢了。”总体情感是积极、消极还是混合的？）
- 理解文本摘要：这涉及创建一篇较长文本的简洁连贯摘要，捕捉其主要观点。摘要可以是抽取式（直接使用文本中的句子）或生成式（生成新句子）。LLM 擅长生成式摘要。
- 文本摘要的提示设计：指定期望的摘要长度（例如，一句话、一段、特定数量的要点）以及要关注的关键方面（如果需要）。示例提示：“将以下关于气候变化的_文章总结为三个关键要点。文章：[在此处插入长文章文本]。摘要：”
现代工作流程中的用例和应用
Section titled “现代工作流程中的用例和应用”- 自动化客户支持：使用问答和文本生成来回答常见的客户问询或起草初步回复。
- 内容创作与整理：利用文本生成撰写博客文章、社交媒体更新，以及利用摘要功能进行内容摘要或研究。
- 市场调研：将情感分析和命名实体识别应用于客户评论或社交媒体趋势，以提取洞察。
- 数据提取：使用命名实体识别和问答从合同或报告等非结构化文档中提取结构化信息。
NLP 驱动的提示工程最佳实践
Section titled “NLP 驱动的提示工程最佳实践”- 清晰具体的指令：明确定义任务、期望的输出格式以及任何限制条件。
- 提供上下文：对于问答或摘要等任务，确保所有必要信息都对 LLM 可用。对于生成任务，上下文有助于保持相关性和连贯性。
- 少样本学习：如果可能，在提示中提供少量任务示例（输入和期望输出），以指导 LLM 的行为并提高准确性，特别是对于复杂或细微的任务。
- 迭代优化：测试您的提示并根据 LLM 的响应进行优化。措辞上的微小变化会显著影响结果。
在本章中，我们探讨了常见的 NLP 任务，以及有效的提示工程如何让像 ChatGPT 这样的 LLM 具备卓越的熟练度来执行这些任务。通过为文本分类、翻译、NER、问答、情感分析、文本生成和摘要等任务设计清晰、有上下文、有时包含示例的提示，您可以释放这些模型的巨大潜力。
理解这些任务以及提示工程的最佳实践，使您能够构建复杂的应用程序和工作流程，增强用户交互、自动化流程并从文本数据中提取有价值的洞察。