AI模型教你写出秒抓读者眼球的好标题

本文涉及的产品
NLP自然语言处理_基础版,每接口每天50万次
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_高级版,每接口累计50万次
简介: 简介: 广告大师大卫·奥格威曾在《一个广告人的自白》中提到:标题在大部分广告中,都是最重要的元素,能够决定读者会不会看这则广告。一般来说,读标题的人比读内人的人多出4倍。换句话说,你所写标题的价值将是整个广告预算的80%。因此对于一篇文章、新闻来说,标题的好坏决定了点击和流量。本文介绍通过ModelScope的AI模型PALM来完成标题/摘要生成

还在为起一个文章的标题想到头秃掉发吗?还在熬夜苦思冥想什么标题更吸引流量点击吗?AI模型解放生产力,教你如何写出好标题。话不多说,直接放demo,下面是秒生成我们简介输入内容的标题。

image.png

生成式摘要介绍

随着近几年文本信息的爆发式增长,人们每天都接触到海量的文本信息,如新闻、微博等。如何从大量文本信息中提取关键的信息,已成为迫切需求。而对于自媒体或者文章创作者来说,如何写一个更具吸引力的标题或者摘要生成式摘要则提供了一个高效的解决方案,相比于抽取式摘要,生成式摘要更接近人类写摘要的风格。生成式摘要有非常多的应用场景,如新闻标题生成、自动报告生成等。


操作步骤

参考快速开始,里面有一些关于ModelScope的基本介绍

环境准备

模型调试

frommodelscope.pipelinesimportpipelinefrommodelscope.utils.constantimportTaskstext_generation_zh=pipeline(Tasks.text_generation, model='damo/nlp_palm2.0_text-generation_chinese-base')
result_zh=text_generation_zh("北上广深一线城市的房价节节攀高,二、三线城市的房价则喜忧参半。调查发现,“鬼城”现象正逐渐成为小城市中的普遍现象。媒体报道称有新开的楼盘因为位置相对比较偏不好卖,卖不出去,在开盘当天花钱雇人排队制造“热销”假象。")
print(result_zh['text'])
"鬼城现象逐渐成为小城市普遍现象"



  • 英文测试:
frommodelscope.pipelinesimportpipelinefrommodelscope.utils.constantimportTaskstext_generation_en=pipeline(Tasks.text_generation, model='damo/nlp_palm2.0_text-generation_english-base')
result_en=text_generation_en("The Director of Public Prosecutions who let off Lord Janner over alleged child sex abuse started""her career at a legal chambers when the disgraced Labour peer was a top QC there . Alison Saunders ,""54 , sparked outrage last week when she decided the 86-year-old should not face astring of charges""of paedophilia against nine children because he has dementia . Today , newly-released documents""revealed damning evidence that abuse was covered up by police andsocial workers for more than 20 years .""And now it has emerged Mrs Saunders ' law career got off to a flying start when she secured her""pupillage -- a barrister 's training contract at 1 Garden Court Chambers in London in 1983 .")
print(result_en['text'])
"Alison Saunders, 54, sparked outrage last week when she decided the 86-year-old should not face charges of paedophilia against nine children because he has dementia. New documents reveal damning evidence that abuse was covered up by police and social workers for more than 20 years. Mrs Saunders'law career got off to a flying start when she secured her pupillage - a barrister"



测试反馈

  • 测试的case,模型对于新闻、热点等生成的摘要质量还可以,但是到其他领域,比如论文上效果差一些
  • 针对较长的输入文本生成摘要能力较差,无法捕捉到隐藏在长文本中的关键信息
相关文章
|
1月前
|
机器学习/深度学习 人工智能 并行计算
"震撼!CLIP模型:OpenAI的跨模态奇迹,让图像与文字共舞,解锁AI理解新纪元!"
【10月更文挑战第14天】CLIP是由OpenAI在2021年推出的一种图像和文本联合表示学习模型,通过对比学习方法预训练,能有效理解图像与文本的关系。该模型由图像编码器和文本编码器组成,分别处理图像和文本数据,通过共享向量空间实现信息融合。CLIP利用大规模图像-文本对数据集进行训练,能够实现zero-shot图像分类、文本-图像检索等多种任务,展现出强大的跨模态理解能力。
98 2
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
当语言遇见智慧火花:GPT家族历代模型大起底,带你见证从平凡到卓越的AI进化奇迹!
【10月更文挑战第6天】随着自然语言处理技术的进步,GPT系列模型(Generative Pre-trained Transformers)成为该领域的明星。从GPT-1的开创性工作,到GPT-2在规模与性能上的突破,再到拥有1750亿参数的GPT-3及其无需微调即可执行多种NLP任务的能力,以及社区驱动的GPT-NeoX,这些模型不断进化。虽然它们展现出强大的语言理解和生成能力,但也存在如生成错误信息或偏见等问题。本文将对比分析各代GPT模型的特点,并通过示例代码展示其部分功能。
116 2
|
26天前
|
人工智能
AI科学家太多,谁靠谱一试便知!普林斯顿新基准CORE-Bench:最强模型仅有21%准确率
【10月更文挑战第21天】普林斯顿大学研究人员提出了CORE-Bench,一个基于计算可重复性的AI代理基准,涵盖计算机科学、社会科学和医学领域的270个任务。该基准旨在评估AI代理在科学研究中的准确性,具有多样性、难度级别和现实相关性等特点,有助于推动AI代理的发展并提高计算可重复性。
43 4
|
1月前
|
人工智能 自然语言处理
从迷茫到精通:揭秘模型微调如何助你轻松驾驭AI新热点,解锁预训练模型的无限潜能!
【10月更文挑战第13天】本文通过简单的问题解答形式,结合示例代码,详细介绍了模型微调的全流程。从选择预训练模型、准备新任务数据集、设置微调参数,到进行微调训练和评估调优,帮助读者全面理解模型微调的技术细节和应用场景。
73 6
|
1月前
|
人工智能 自然语言处理 安全
【通义】AI视界|Adobe推出文生视频AI模型,迎战OpenAI和Meta
本文精选了过去24小时内的重要科技新闻,包括微软人工智能副总裁跳槽至OpenAI、Adobe推出文本生成视频的AI模型、Meta取消高端头显转而开发超轻量设备、谷歌与核能公司合作为数据中心供电,以及英伟达股价创下新高,市值接近3.4万亿美元。这些动态展示了科技行业的快速发展和激烈竞争。点击链接或扫描二维码获取更多资讯。
|
1月前
|
机器学习/深度学习 人工智能 TensorFlow
解锁AI潜力:让开源模型在私有环境绽放——手把手教你搭建专属智能服务,保障数据安全与性能优化的秘密攻略
【10月更文挑战第8天】本文介绍了如何将开源的机器学习模型(如TensorFlow下的MobileNet)进行私有化部署,包括环境准备、模型获取与转换、启动TensorFlow Serving服务及验证部署效果等步骤,适用于希望保护用户数据并优化服务性能的企业。
56 4
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
揭开模型微调Fine-Tuning的神秘面纱:如何在预训练基础上巧妙调整,解锁定制AI解决方案的秘密武器
【10月更文挑战第8天】模型微调是在预训练模型基础上,利用特定领域数据进一步训练,以优化模型在特定任务上的表现。此方法广泛应用于自然语言处理和计算机视觉等领域,通过调整预训练模型的部分或全部参数,结合适当的正则化手段,有效提升模型性能。例如,使用Hugging Face的Transformers库对BERT模型进行微调,以改善文本匹配任务的准确率。
59 1
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】BERT模型:揭秘LLM主要类别架构(上)
【AI大模型】BERT模型:揭秘LLM主要类别架构(上)
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(下)
【AI大模型】ChatGPT模型原理介绍(下)
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(上)
【AI大模型】ChatGPT模型原理介绍(上)

热门文章

最新文章