ChatGPT高效提问—prompt常见用法（续篇）
1.4 汇总
面对浩瀚的文字海洋，利用ChatGPT强大的信息汇总功能，可以提炼出其中的核心思想。这个过程涉及将复杂且详细的内容精简为一个简明扼要的版本，同时恰当地保留原始文本的主要思想。此类prompt应包括期望的输出信息的细节，如摘要的预期长度，以及可能存在的特殊要求或限制。这种技术在文本摘要和信息压缩中都极具价值。接下来通过一些实际的示例深入理解这种技术。
1.4.1 新闻总结
总结新闻的prompt公式为“请用一句话总结新闻：[插入新闻内容]“。
输入prompt：
ChatGPT输出：
ChatGPT成功将一段新闻总结为一句话。
1.4.2 会议纪要
会议纪要摘要应突出主要决定以及行动。prompt公式为“总结以下会议记录，列出主要决定和行动：[插入会议记录]“。
输入prompt:
ChatGPT输出：
1.4.3 书籍摘要
书籍摘要是对一本书主要内容的概述，prompt公式为“简要总结下面这本书的内容：[插入图书名称或内容]“。
输入prompt：
ChatGPT输出：
1.4.4 电影评论
对电影情节进行概述的prompt公式为“用一句话总结电影：[插入电影名称和情节描述]“。
输入prompt:
ChatGPT输出：
ChatGPT用一句话成功总结了电影《阿凡达》的主要情节。通过上述几个简单的例子，相信你对ChatGPT的汇总能力有了较为清晰的了解。接下来我们看看汇总能力的延伸—聚类的表现。
1.5 聚类
作为一种无监督学习的方法，聚类用于将具有相似性质的数据样本聚集到一起，使得在一个组内，数据样本之间的相似度较高，而在不同的组间，数据样本的相似度较低。这种技术使我们能够挖掘出数据中隐含的模式和结构，从而对数据进行更有层次性和逻辑性的整理和分析。
我们通过一个生活的例子来进一步理解聚类。假如我们需要将家里的书籍分类摆放，可能会将它们分为小说、历史、科学、艺术等类别。把这个任务交给AI，它会对这些书的内容做聚类分析，快速发现数据中的相似性和关联性，从而将不同的书归到不同的组。当有新书需要摆放时，通过分析书名和内容，AI将自动识别出该书属于哪个类别，自动归类。
1.5.1 聚类步骤
聚类通常包括以下几个步骤。
- 数据收集：任何聚类工作的初始步骤都是收集相关数据。例如，在对气球进行聚类时，我们可能会记录每个气球的颜色和大小；而在书籍分类场景中，我们可能会考察书名和内容。在更多实际应用场景中，我们可能会收集客户信息或文本数据等多元信息。
- 数据预处理，特征提取：在进行聚类之前，需对数据进行精细的预处理，例如剔除异常值、填充缺失值和降低噪声等，以及执行标准化和归一化等操作。这些步骤可以确保后续分析中所用数据的质量。
- 相似度度量：在聚类过程中，我们需要计算数据对象之间的相似度。常用的相似度度量方法包括欧氏距离、余弦相似度和皮尔逊相关系数等。正确的相似度度量将对聚类结果和性能产生积极影响。
- 聚类算法：有许多聚类算法可供选择，如k-means、DBSCAN、层次聚类、mean shift聚类、affinity propagation等。这些算法在不同的场景和数据类型下具有不同的优势和局限。在实际应用中，我们需要根据具体需求和数据特点选择合适的聚类算法。
- 结果评估与优化：完成聚类后，我们需要对结果进行评估。常用的评估指标包括轮廓系数、Davies-Bouldin指数和Calinski-Harabasz指数等。这些指标可以帮助我们了解聚类的质量，从而指导我们调整算法参数或尝试其他聚类算法来提升聚类效果。
- 结果解释与应用：这一步骤通常涉及对聚类结果的可视化和分析，以便从中提取有价值的信息和洞察。例如，在市场细分中，我们可以通过聚类分析消费者的行为和喜好，从而制定更有针对性的营销策略；在文本分类中，我们可以通过聚类发现数据中隐藏的结构和规律，从而提升分类效果。
1.5.2 聚类应用
prompt公式为“将以下内容根据[特征]分组：[插入信息]“。
输入prompt:
ChatGPT输出：
从输出结果来看，ChatGPT成功将评论按照表达的情感进行分类。接下来看一个书籍分类的例子。
输入 prompt:
ChatGPT输出：
从输出结果可以看出，ChatGPT成功地依据学科对书籍进行了分类。此简单实例揭示了聚类在现实生活中的应用价值。聚类技术能够揭示数据中深藏的结构和规律，因此能为各种场景提供强大的支持。无论是在市场细分、文本分类或是社交场景中，聚类都证明了其作为一种强大且实用工具的地位。好好使用聚类，可以带来意想不到的效果。
