信息提取是自然语言处理（NLP）的重要组成部分，它帮助我们从文本中抽取特定的、我们关心的信 息。我们将深入挖掘客户评论中的丰富信息。在接下来的示例中，我们将要求模型识别两个关键元素： 购买的商品和商品的制造商。

想象一下，如果你正在尝试分析一个在线电商网站上的众多评论，了解评论中提到的商品是什么、由谁 制造，以及相关的积极或消极情绪，将极大地帮助你追踪特定商品或制造商在用户心中的情感趋势。

在接下来的示例中，我们会要求模型将回应以一个 JSON 对象的形式呈现，其中的 key 就是商品和品牌。

商品信息提取

# 中文

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}```

"""

response = get_completion(prompt)

print(response)

综合情感推断和信息提取

# 中文

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。将你的响应格式化为 JSON 对象，以 “情感倾向”、“是否生气”、“物品类型” 和

“品牌” 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 “是否生气” 值格式化为布尔值。

评论文本: ```{lamp_review}```

"""

response = get_completion(prompt)

print(response)

主题推断

# 中文

story = """

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。

"""

推断讨论主题

# 中文

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个词概括。

请输出一个可解析的Python列表，每个元素是一个字符串，展示了一个主题。

给定文本: ```{story}```

"""

response = get_completion(prompt)

print(response)

为特定主题制作新闻提醒

# 中文

prompt = f"""

判断主题列表中的每一项是否是给定文本中的一个话题，

以列表的形式给出答案，每个元素是一个Json对象，键为对应主题，值为对应的 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}```

"""

response = get_completion(prompt)

print(response)