openAI|获取数据集

本文将演示如何使用OpenAI API来进行情感分析,通过一个美食评论数据集的案例,让大家了解如何将评论汇总为一个嵌入向量。

获取数据集

本文将介绍如何使用OpenAI API来进行情感分析,以预测文本的情感属性,本教程将使用Amazon的美食评论数据集,并演示如何将评论汇总为一个单独的嵌入向量。

1.加载数据集

本例中使用的数据集是来自亚马逊的美食评论。 该数据集包含截至 2012 年 10 月亚马逊用户留下的总共 568,454 条食品评论。我们将使用该数据集的一个子集,其中包含 1,000 条最新评论以用于说明目的。 评论是英文的,往往是正面的或负面的。 每条评论都有一个 ProductId、UserId、Score、评论标题(摘要)和评论正文(文本)。

我们会将评论摘要和评论文本合并为一个组合文本。 该模型将对该组合文本进行编码,并输出单个向量嵌入。

要运行此笔记本,您需要安装:pandas、openai、transformers、plotly、matplotlib、scikit-learn、torch(transformer dep)、torchvision 和 scipy。

# imports
import pandas as pd
import tiktoken

from openai.embeddings_utils import get_embedding
# embedding model parameters
embedding_model = "text-embedding-ada-002"
embedding_encoding = "cl100k_base"  # this the encoding for text-embedding-ada-002
max_tokens = 8000  # the maximum for text-embedding-ada-002 is 8191
# load & inspect dataset
input_datapath = "data/fine_food_reviews_1k.csv"  # to save space, we provide a pre-filtered dataset
df = pd.read_csv(input_datapath, index_col=0)
df = df[["Time", "ProductId", "UserId", "Score", "Summary", "Text"]]
df = df.dropna()
df["combined"] = (
    "Title: " + df.Summary.str.strip() + "; Content: " + df.Text.str.strip()
)
df.head(2)
时间产品编号用户身份分数概括文本合并
01351123200B003XPF9BOA3R7JR3FMEBXQB5一个人从哪里开始…和停止…用一个…想存一些给我芝加哥的家人……标题:从哪里开始……到哪里结束……机智……
11351123200B003JK537SA3JBPC3WFUT5ZP1Arrived in pieces一点都不高兴。 当我打开盒子时,莫…标题:分片抵达; 内容:不高兴…
# subsample to 1k most recent reviews and remove samples that are too long
top_n = 1000
df = df.sort_values("Time").tail(top_n * 2)  # first cut to first 2k entries, assuming less than half will be filtered out
df.drop("Time", axis=1, inplace=True)

encoding = tiktoken.get_encoding(embedding_encoding)

# omit reviews that are too long to embed
df["n_tokens"] = df.combined.apply(lambda x: len(encoding.encode(x)))
df = df[df.n_tokens <= max_tokens].tail(top_n)
len(df)
1000

2.获取嵌入并保存以备将来重用

# 确保根据自述文件在您的环境中设置了 API 密钥:https://github.com/openai/openai-python#usage

# 这可能需要几分钟的时间
df["embedding"] = df.combined.apply(lambda x: get_embedding(x, engine=embedding_model))
df.to_csv("data/fine_food_reviews_with_embeddings_1k.csv")

此文章由OpenAI开源维基百科原创发布,如若转载请注明出处:https://openai.wiki/obtain_dataset.html

(0)
上一篇 2023-02-20 13:57
下一篇 2023-02-20 14:19

相关推荐

  • POE|ChatGPT-4 & Claude+

    ChatGPT-4和Claude+的备选方案POE平台,poe.com可以理解为各大AI的镜向站,通过API方式搭建。使用该平台可以同时享受众多热门AI服务,而且支持APP下载。

    2023-05-25
    003.0K
  • 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。

    ChatGPT 2023-02-20
    00981
  • Auto-GPT|ChatGPT自动化

    Auto-GPT是一个实验性开源应用程序,展示了GPT-4语言模型的能力。它具备互联网搜索、长期和短期记忆管理、文本生成、访问流行网站和平台等功能,使用GPT-3.5和GPT-4进行文件存储和摘要。

    ChatGPT 2023-04-13
    0315.4K
  • ChatGPT Plus 增值版的申请付费流程

    本文介绍了 ChatGPT Plus 增值版的申请付费流程,包括了申请付费的具体步骤,支付方式,以及申请付费后的注意事项等,帮助用户更好地了解和使用 ChatGPT Plus 增值版。

    2023-02-15
    010318.9K
  • 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。

    ChatGPT 2023-02-20
    002.7K

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

微信