ChatGPT
-
CPT-3｜微调GPT-3以对文本进行分类的最佳做法
本文介绍了如何使用GPT-3对文本进行分类，包括微调GPT-3模型、训练数据的规模、质量、代表性和指定充分，以及如何设置训练数据的格式和使用分隔符序列，微调模型可以超过文本分类基准上的最新记录。
-
openAI｜嵌入超长文本
本文介绍了两种处理超过OpenAI嵌入模型最大上下文长度的文本的方法，即简单截断文本和分块处理文本。通过本文，您可以了解到如何避免因超过最大长度而导致的错误，同时又不失去可能相关的文本内容。
-
openAI｜以 2D 或 3D 形式可视化嵌入
本文介绍了如何使用t-SNE算法将高维的语言嵌入降至2维，并将结果可视化成散点图。在这个例子中，我们使用了亚马逊上的食品评论数据集，并将每个评论的打分映射成了散点图上点的颜色。
-
openAI｜聚类嵌入
本文展示了如何使用简单的K-means算法进行聚类。聚类可以帮助在数据中发现有价值的、隐藏的分组。本例中使用的数据集在Obtain_dataset Notebook中创建。
-
openAI｜使用嵌入的建议
本文将介绍如何使用嵌入和最近邻搜索来进行推荐，以找到与给定文章最相似的其他文章。本文将引入如何使用嵌入计算文章之间的距离，并使用最近邻搜索寻找与给定文章最相似的其他文章。
-
openAI｜使用嵌入的语义文本搜索
本文介绍如何使用OpenAI的文本嵌入来进行语义文本搜索。通过查询嵌入与文档嵌入进行比较，可以高效的在数据集中搜索相关文本。如何使用余弦相似度计算来搜索文本，并展示了搜索结果。提高搜索效率并降低成本。
-
openAI｜使用嵌入进行问答
本文介绍了使用 OpenAI 的 GPT-3 模型回答用户问题的方法，包括如何预处理上下文信息、创建嵌入向量、使用文档嵌入和检索。本文还提供了使用文本搜索和语义建议的技巧，以及自定义嵌入的方法。
-
openAI｜文本比较示例
OpenAI API 嵌入终结点可用于衡量文本片段之间的相关性或相似性，例如语义搜索、问答、建议和自定义嵌入等操作。余弦相似性分数可以用作排名搜索结果中众多特征中的一个。
-
openAI｜如何获取嵌入
本文介绍了OpenAI的get_embedding函数，可用于获取输入文本的嵌入向量。通过Python代码示例展示了如何使用该函数，获取指定文本的嵌入向量，进而用于语义搜索、推荐、聚类分析等应用场景。
