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

  • Prompt|简介

    本指南介绍了如何使用提示与大型语言模型进行交互和指令的基础知识,包括温度和top_p参数的配置,以及基本提示和少量提示等。我们还探讨了如何使用指令、QA格式和示例来构建有效的提示。

    ChatGPT 2023-02-18
    002.1K
  • GPT Engineer|自动编程

    通过GPT Engineer你可以快速生成Github代码库,并学习你的编码风格。指定您想要构建的内容,AI会根据你的要求进行构建。该项目开发者可以在文本文件中提交需求,然后让AI来帮你快速生成代码。

    ChatGPT 2023-06-25
    001.5K
  • 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
    001.0K
  • 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。

    ChatGPT 2023-02-20
    001.8K
  • GPT-3|使用多步骤提示进行单元测试编写

    本文介绍了如何使用GPT-3的多步骤提示符在Python中编写单元测试。我们使用了三个提示步骤,分别是解释函数、计划单元测试以及编写单元测试。这些提示可以帮助GPT-3更好地理解我们的意图。

    ChatGPT 2023-02-20
    011.1K

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

微信