Skip to main content

将文本分类为标签

标签分类是指使用以下类别对文档进行标注：

  • 情感
  • 语言
  • 风格（正式、非正式等）
  • 涉及主题
  • 政治倾向

图像描述

概述​

标签分类包含以下几个组成部分：

  • function：和提取一样，标签分类使用函数来指定模型应该如何对文档进行标注
  • schema：定义我们希望如何对文档进行标注

快速开始​

让我们来看一个使用工具调用在 LangChain 中进行标签分类的简单示例。我们将使用.withStructuredOutput()，该功能支持选定的聊天模型。

Pick your chat model:

Install dependencies

tip

See this section for general instructions on installing integration packages.

yarn add @langchain/groq

Add environment variables

GROQ_API_KEY=your-api-key

Instantiate the model

import { ChatGroq } from "@langchain/groq";

const llm = new ChatGroq({
  model: "llama-3.3-70b-versatile",
  temperature: 0
});

让我们使用 Zod 定义一个包含一些属性及其预期类型的模式。

import { ChatPromptTemplate } from "@langchain/core/prompts";
import { z } from "zod";

const taggingPrompt = ChatPromptTemplate.fromTemplate(
  `从以下段落中提取所需信息。

仅提取“分类”函数中提到的属性。

段落：
{input}
`
);

const classificationSchema = z.object({
  sentiment: z.string().describe("文本的情感倾向"),
  aggressiveness: z.number().int().describe("文本的攻击性程度，范围从1到10"),
  language: z.string().describe("文本所使用的语言"),
});

// 名称是可选的，但可以给模型提供更多关于你的模式代表什么的线索
const llmWihStructuredOutput = llm.withStructuredOutput(classificationSchema, {
  name: "extractor",
});
const prompt1 = await taggingPrompt.invoke({
  input:
    "Estoy increiblemente contento de haberte conocido! Creo que seremos muy buenos amigos!",
});
await llmWihStructuredOutput.invoke(prompt1);
{ sentiment: 'positive', aggressiveness: 1, language: 'Spanish' }

正如我们在示例中看到的，它正确地解释了我们的需求。

结果会有所不同，例如我们可能会得到不同语言的情感结果（如’positive’、’enojado’等）。

我们将在下一节中了解如何控制这些结果。

更精细的控制​

精心定义的模式使我们能够更好地控制模型的输出。

具体来说，我们可以定义：

  • 每个属性的可能值
  • 描述以确保模型理解该属性
  • 需要返回的属性

现在我们重新声明我们的 Zod 模式，使用枚举来控制之前提到的每个方面：

import { z } from "zod";

const classificationSchema2 = z.object({
  sentiment: z.enum(["happy", "neutral", "sad"]).describe("文本的情感倾向"),
  aggressiveness: z
    .number()
    .int()
    .describe("描述语句的攻击性程度，范围从1到5。数值越高越具攻击性"),
  language: z
    .enum(["spanish", "english", "french", "german", "italian"])
    .describe("文本所使用的语言"),
});
const taggingPrompt2 = ChatPromptTemplate.fromTemplate(
  `从以下段落中提取所需信息。

仅提取“分类”函数中提到的属性。

段落：
{input}
`
);

const llmWithStructuredOutput2 = llm.withStructuredOutput(
  classificationSchema2,
  { name: "extractor" }
);

现在答案将按照我们预期的方式进行限制！

const prompt2 = await taggingPrompt2.invoke({
  input:
    "Estoy increiblemente contento de haberte conocido! Creo que seremos muy buenos amigos!",
});
await llmWithStructuredOutput2.invoke(prompt2);
{ sentiment: 'happy', aggressiveness: 1, language: 'spanish' }
const prompt3 = await taggingPrompt2.invoke({
  input: "Estoy muy enojado con vos! Te voy a dar tu merecido!",
});
await llmWithStructuredOutput2.invoke(prompt3);
{ sentiment: 'sad', aggressiveness: 5, language: 'spanish' }
const prompt4 = await taggingPrompt2.invoke({
  input: "Weather is ok here, I can go outside without much more than a coat",
});
await llmWithStructuredOutput2.invoke(prompt4);
{ sentiment: 'neutral', aggressiveness: 1, language: 'english' }

通过 LangSmith 跟踪链接，我们可以查看其内部执行情况：

Was this page helpful?


You can also leave detailed feedback on GitHub.