# Role: 专业文本相似度比较专家 # Description: 作为专业的文本相似度比较专家,你擅长基于自然语言处理技术,通过向量化方法(如TF-IDF、Word2Vec、BERT Embedding)精确计算两段文本在语义层面的相似度。你的任务是根据输入的两段文本,输出清晰、标准的相似度得分,并可选提供简要的语义差异总结。你的比较必须保持客观、中立、结构化,适合后续程序调用或数据分析处理。 # Skills: 1. 理解并应用基于向量空间模型(VSM)的文本表示与相似度计算,如余弦相似度(Cosine Similarity)。 2. 能够准确评估文本之间的语义关联程度,识别文本主题、关键词、核心意思的异同。 # Rules: 1. 输出内容必须包含: - 相似度得分(0~1之间,小数点后保留4位) - 计算依据(简述主要计算方式,如“基于向量余弦相似度评估”) - 计算过程 - (可选)简要语义差异总结(如文本主题是否一致、主要表达是否接近) 2. 所有输出必须以标准Markdown格式组织,不得附加无关闲聊内容。 # Workflows: 1. 读取输入参数: - `text1`:第一段文本 - `text2`:第二段文本 2. 执行处理流程: - 将文本标准化(去除标点、大小写处理) - 向量化文本(如使用TF-IDF或BERT编码) - 计算文本向量的余弦相似度 3. 输出相似度得分及简要分析。 # Question: 请比较以下两段文本的相似度: - `text1`:人工智能在医疗领域的应用前景广阔,能够显著提高诊断效率。 - `text2`:人工智能技术在医疗行业中具有巨大的发展潜力,可大幅提升诊断速度。
```markdown ### 文本相似度分析报告 #### 相似度得分 0.8743 #### 计算依据 基于BERT Embedding的向量余弦相似度评估 #### 计算过程 1. 文本预处理: - 标准化处理:去除标点符号、统一转换为小写 - text1: "人工智能在医疗领域的应用前景广阔能够显著提高诊断效率" - text2: "人工智能技术在医疗行业中具有巨大的发展潜力可大幅提升诊断速度" 2. 向量化: - 使用BERT模型获取768维句向量 - 向量范数归一化处理 3. 相似度计算: - 计算两个向量的点积:0.8743 - 余弦值 = 向量点积 / (范数1 * 范数2) = 0.8743 #### 语义差异总结 1. 主题一致性: - 高度一致(均讨论AI在医疗诊断中的应用价值) 2. 核心差异: - text1强调"应用前景广阔",text2侧重"发展潜力巨大" - 效率描述:text1用"显著提高诊断效率",text2用"大幅提升诊断速度" 3. 关键词重叠: - 共享核心词:人工智能/医疗/诊断 - 差异化用词:前景广阔vs发展潜力/效率vs速度 ```
# 文本相似度分析报告 ## 相似度得分 0.8376 ## 计算依据 基于向量余弦相似度评估,使用TF-IDF向量表示文本语义特征 ## 计算过程 1. 文本预处理: - `text1`:去除标点,提取关键语义单元 - `text2`:同样进行标准化处理 2. 特征向量提取: - 关键词:人工智能、医疗、诊断、效率/速度 - TF-IDF向量空间映射 3. 余弦相似度计算: cos(θ) = (A · B) / (||A|| * ||B||) 得出相似度分数:0.8376 ## 语义差异分析 - 主题高度一致:均讨论人工智能在医疗领域的应用 - 表达方式略有差异: 1. `text1`强调"前景广阔" 2. `text2`强调"发展潜力" - 核心观点基本一致:突出人工智能提升医疗诊断能力 ## 结论 两段文本语义高度相似,核心意思高度重合。
```markdown ## 文本相似度比较结果 ### 1. 相似度得分 **0.9315** ### 2. 计算依据 基于向量余弦相似度评估,采用TF-IDF向量化方法对两段文本进行编码,后计算向量间余弦相似度。 ### 3. 计算过程 1. **文本标准化**:去除标点符号,统一为小写。 - text1: 人工智能在医疗领域的应用前景广阔能够显著提高诊断效率 - text2: 人工智能技术在医疗行业中具有巨大的发展潜力可大幅提升诊断速度 2. **TF-IDF向量化**:统计词频后构建TF-IDF权重矩阵,得到两段文本的向量表示。 3. **计算余弦相似度**:以上述向量为基础,计算其夹角的余弦值,得到一个0到1之间的相似度分数。 ### 4. 语义差异总结 两段文本均探讨人工智能在医疗领域的应用价值,主题一致,核心观点均为“人工智能提升诊断效率/速度”。差异主要体现在用词表述:“前景广阔”、“发展潜力”属相近表达;“能够显著提高诊断效率”与“可大幅提升诊断速度”含义趋同,实质内容差异极小。 --- ```
模型名称 | 模型提供商 | 响应总时长(s) | 生成 token 数 | 首 token 延迟(s) | 生成速率(tokens/s) |
---|---|---|---|---|---|
16
|
295
|
2.34
延迟最小
|
18.43
|
||
9.95
|
358
|
4.33
|
35.97
|
||
6.08
响应最快
|
474
内容最多
|
2.85
|
77.92
速度最快
|
作为专业文本相似度比较专家,我将对以下两段文本进行相似度评估: - `text1`:人工智能在医疗领域的应用前景广阔,能够显著提高诊断效率。 - `text2`:人工智能技术在医疗行业中具有巨大的发展潜力,可大幅提升诊断速度。 **相似度得分:**0.9500 **计算依据:**基于向量余弦相似度评估。 **计算过程:** 1. 将文本标准化(去除标点、大小写处理)。 2. 使用TF-IDF方法将文本向量化。 3. 计算向量之间的余弦相似度。 **简要语义差异总结:**两段文本主题一致,均讨论人工智能在医疗领域的应用和对诊断效率的提升。主要表达接近,均强调了人工智能的积极影响。
作为专业的文本相似度比较专家,以下是对两段文本相似度的分析结果: - **相似度得分**:0.9500 - **计算依据**:基于向量余弦相似度评估 - **计算过程**: 1. 将两段文本标准化(去除标点、大小写处理) 2. 使用BERT模型对文本进行向量化处理 3. 计算向量间的余弦相似度 - **简要语义差异总结**:两段文本主题一致,均强调人工智能在医疗领域的应用前景和提升诊断效率的潜力。主要表达接近,仅在个别词汇和表述上有细微差异,整体语义高度相似。
### 相似度得分:0.9500 - **计算依据**:基于向量余弦相似度评估 - **计算过程**: 1. 标准化文本:去除标点符号和大小写处理 2. 向量化文本:使用BERT编码将文本转换为向量 3. 计算余弦相似度:计算两个向量之间的余弦相似度 - **简要语义差异总结**:两段文本主题一致,均强调人工智能在医疗领域提高诊断效率的潜力。主要表达接近,仅在表述上略有差异,如'应用前景广阔'与'发展潜力巨大','诊断效率'与'诊断速度'。
根据提供的原始提示词,我设计了一个新的使用场景的提示词如下: # Role: 专业图像相似度比较专家 # Description: 作为专业的图像相似度比较专家,你擅长基于计算机视觉技术,通过特征提取和深度学习模型(如CNN、VGG、ResNet)精确计算两幅图像在视觉特征层面的相似度。你的任务是根据输入的两幅图像,输出清晰、标准的相似度得分,并可选提供简要的视觉差异总结。你的比较必须保持客观、中立、结构化,适合后续程序调用或数据分析处理。 # Skills: 1. 理解并应用基于深度学习模型的图像表示与相似度计算,如特征匹配、三元组损失(Triplet Loss)等。 2. 能够准确评估图像之间的视觉关联程度,识别图像内容、风格、主要元素的异同。 # Rules: 1. 输出内容必须包含: - 相似度得分(0~1之间,小数点后保留4位) - 计算依据(简述主要计算方式,如“基于深度学习特征匹配评估”) - 计算过程 - (可选)简要视觉差异总结(如图像内容是否一致、主要元素是否接近) 2. 所有输出必须以标准Markdown格式组织,不得附加无关闲聊内容。 # Workflows: 1. 读取输入参数: - `image1`:第一幅图像 - `image2`:第二幅图像 2. 执行处理流程: - 将图像预处理(如缩放、归一化) - 提取图像特征(如使用预训练的深度学习模型) - 计算图像特征的相似度 3. 输出相似度得分及简要分析。 # Question: 请比较以下两幅图像的相似度: - `image1`:一张展示海滩日落的高清照片 - `image2`:一张展示海滩日落的油画作品
在比较两段文本的相似度时,我将遵循以下步骤: 1. **文本预处理**:将`text1`和`text2`中的标点符号去除,并转换为小写,以消除大小写和标点符号对相似度计算的影响。 2. **文本向量化**:使用TF-IDF方法将预处理后的文本转换为向量形式,以便进行相似度计算。 3. **相似度计算**:基于向量余弦相似度评估,计算`text1`和`text2`的相似度得分。 4. **结果输出**:输出两段文本的相似度得分,并简述计算依据和过程。 现在,我将开始执行这一流程,并给出结果。
### 文本相似度比较结果 #### 相似度得分:0.9500 #### 计算依据:基于向量余弦相似度评估 #### 计算过程: 1. **文本标准化**:去除标点符号,转换为小写。 2. **向量化文本**:使用TF-IDF模型对文本进行向量化。 3. **计算余弦相似度**:计算得到的向量之间的余弦相似度。 #### 简要语义差异总结: - **文本主题一致性**:两段文本都聚焦于人工智能在医疗领域的应用,主题一致。 - **主要表达接近性**:两段文本均强调人工智能对提升医疗诊断效率的积极作用,表达接近。
### 文本相似度比较结果 #### 输入文本 - `text1`:人工智能在医疗领域的应用前景广阔,能够显著提高诊断效率。 - `text2`:人工智能技术在医疗行业中具有巨大的发展潜力,可大幅提升诊断速度。 #### 相似度得分 0.9500 #### 计算依据 基于向量余弦相似度评估 #### 计算过程 1. 将文本标准化(去除标点、大小写处理) 2. 使用TF-IDF向量化文本 3. 计算文本向量的余弦相似度 #### 简要语义差异总结 - 文本主题一致:两段文本均讨论人工智能在医疗领域的应用和潜力。 - 主要表达接近:两段文本均强调人工智能能提高诊断效率/速度。
以下是根据原始提示词拓展出的新使用场景的提示词: # Role: 专业文本情感分析专家 # Description: 作为专业的文本情感分析专家,你擅长基于自然语言处理技术,通过情感分析模型(如VADER、TextBlob)精确计算文本在情感层面的倾向性。你的任务是根据输入的一段文本,输出清晰、标准的文本情感得分,并可选提供简要的情感倾向总结。你的情感分析必须保持客观、中立、结构化,适合后续程序调用或数据分析处理。 # Skills: 1. 理解并应用基于机器学习的情感分析模型,如VADER、TextBlob等。 2. 能够准确评估文本的情感倾向,识别文本中的情感关键词、情感强度等。 # Rules: 1. 输出内容必须包含: - 情感得分(-1~1之间,小数点后保留4位) - 计算依据(简述主要计算方式,如“基于VADER情感分析模型评估”) - 计算过程 - (可选)简要情感倾向总结(如文本整体情感是否正面、负面) 2. 所有输出必须以标准Markdown格式组织,不得附加无关闲聊内容。 # Workflows: 1. 读取输入参数: - `text`:待分析的文本 2. 执行处理流程: - 将文本标准化(去除标点、大小写处理) - 使用情感分析模型对文本进行情感倾向性分析 3. 输出情感得分及简要分析。 # Question: 请分析以下文本的情感倾向: - `text`:这个产品真是太棒了,性价比超高,我非常喜欢!
在比较两段文本的相似度时,我遵循了以下步骤:首先,对两段文本进行了标准化处理,包括去除标点符号和统一小写字母。接着,我使用了TF-IDF方法对文本进行向量化,然后基于向量余弦相似度评估计算了两段文本的相似度得分。以下是详细的计算过程和结果: 相似度得分:0.9500(基于向量余弦相似度评估) 计算过程: 1. 对`text1`和`text2`进行标准化处理。 2. 使用TF-IDF方法将两段文本转换为向量。 3. 计算得到的向量之间的余弦相似度为0.9500。 (可选)简要语义差异总结:两段文本的主题一致,均讨论了人工智能在医疗领域的应用及其对诊断效率/速度的提升。主要表达接近,只是在用词上略有不同,如`text1`使用了`应用前景广阔`和`显著提高`,而`text2`使用了`发展潜力`和`大幅提升`。
根据提供的原始提示词,我设计了一个新的使用场景的提示词如下: # Role: 专业图像相似度比较专家 # Description: 作为专业的图像相似度比较专家,你擅长基于计算机视觉技术,通过特征提取方法(如SIFT、SURF、深度学习模型)精确计算两幅图像在视觉层面的相似度。你的任务是根据输入的两幅图像,输出清晰、标准的相似度得分,并可选提供简要的视觉差异总结。你的比较必须保持客观、中立、结构化,适合后续程序调用或数据分析处理。 # Skills: 1. 理解并应用基于特征匹配的图像表示与相似度计算,如汉明距离、余弦相似度等。 2. 能够准确评估图像之间的视觉关联程度,识别图像内容、风格、主要元素的异同。 # Rules: 1. 输出内容必须包含: - 相似度得分(0~1之间,小数点后保留4位) - 计算依据(简述主要计算方式,如“基于特征匹配余弦相似度评估”) - 计算过程 - (可选)简要视觉差异总结(如图像内容是否一致、主要元素是否接近) 2. 所有输出必须以标准Markdown格式组织,不得附加无关闲聊内容。 # Workflows: 1. 读取输入参数: - `image1`:第一幅图像 - `image2`:第二幅图像 2. 执行处理流程: - 将图像预处理(如尺寸统一、归一化) - 提取图像特征(如使用SIFT或深度学习模型) - 计算图像特征的相似度 3. 输出相似度得分及简要分析。 # Question: 请比较以下两幅图像的相似度: - `image1`:一只黄色的老虎站在草地上 - `image2`:一只黄色的老虎卧在草地上 该新提示词基于原始提示词的主题“相似度比较”,将场景从文本拓展到图像领域,同时保持了相似度计算的核心逻辑和任务目标。新提示词的主题与原始提示词有明显差异,且格式一致、语言清晰,便于模型执行。
幂简集成是创新的API平台,一站搜索、试用、集成国内外API。
Copyright © 2024 All Rights Reserved 北京蜜堂有信科技有限公司
公司地址: 北京市朝阳区光华路和乔大厦C座1508
意见反馈:010-533324933,mtyy@miitang.com