何时使用关键点总结

当你拥有大量代表人们观点的文本（例如产品评论、调查答案或社交媒体上的评论）时，很难理解数据中出现的关键问题。 浏览数千条评论的成本极其高昂。 自动化方法通常仅限于识别重复的短语或概念及其整体情绪，但不能提供详细或可操作的见解。 借助关键点总结 (KPS)，您可以以有组织的、分层的方式提取这些详细且可操作的见解。

关键点总结的工作原理

KPS 将数据分成句子并检测每个句子的立场（积极、消极、中性）。 然后，它从这些句子中识别出关键点，并将剩余的句子与这些关键点进行匹配。 任何重复的内容都会被删除，相关的关键点也会以分层的方式组织起来。 每个关键点的流行程度通过匹配的句子数量来量化。

如何使用关键点总结

KPS 仅适用于这些笔记本环境：

• NLP + DO Runtime 24.1 on Python 3.11
• GPU V100 Runtime 24.1 on Python 3.11

该分析使用大型语言模型，因此需要 GPU。

1. 仅在 CPU 环境下使用一小部分数据运行和测试 KPS：NLP + DO Runtime 24.1 on Python 3.11
2. 使用带有 GPU 的环境，在数百或数千条评论上大规模运行 KPS：GPU V100 Runtime 24.1 on Python 3.11

这两个环境包括运行 KPS 所需的 Python软件包。

有关如何使用 KPS 的示例，请参阅示例笔记本。

父主题：笔记本和脚本