GLM-4.7-Flash中文NLP能力展示：命名实体识别、情感分析prompt范例

1. 模型能力概览

GLM-4.7-Flash作为智谱AI最新推出的开源大语言模型，在中文自然语言处理方面展现出卓越的能力。基于其300亿参数的强大基础和对中文场景的深度优化，该模型在命名实体识别和情感分析等NLP任务上表现尤为出色。

1.1 核心NLP优势

GLM-4.7-Flash在中文文本处理方面具备以下突出特点：

• 精准实体识别：能够准确识别中文文本中的人名、地名、组织机构名、时间、日期等实体信息
• 细腻情感分析：不仅能判断文本的情感倾向（正面/负面/中性），还能识别具体的情感类型和强度
• 上下文理解：支持长文本上下文分析，能够理解复杂语境中的实体关系和情感变化
• 多领域适配：在新闻、社交媒体、客服对话、产品评论等多种场景下都能保持稳定的性能表现

2. 命名实体识别实战演示

命名实体识别是NLP中的基础任务，GLM-4.7-Flash在这方面表现出色，下面通过几个实际案例来展示其能力。

2.1 基础实体识别示例

让我们从一个简单的新闻片段开始：

# 命名实体识别prompt示例
prompt = """
请对以下文本进行命名实体识别，找出其中的人名、地名、组织机构名、时间信息：

"2024年7月15日，阿里巴巴集团创始人马云在杭州宣布，将与清华大学合作建立人工智能研究院。"
"""

response = requests.post(
    "http://127.0.0.1:8000/v1/chat/completions",
    json={
        "model": "/root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.3,
        "max_tokens": 500
    }
)

模型输出效果：

• 时间实体：2024年7月15日
• 人名：马云
• 地名：杭州
• 组织机构名：阿里巴巴集团、清华大学、人工智能研究院

2.2 复杂场景实体识别

对于更复杂的文本，GLM-4.7-Flash同样能够准确识别：

complex_prompt = """
识别以下文本中的所有命名实体，并按类别分类：

"上周五，华为技术有限公司的首席执行官余承东在北京国际会议中心发布了新款Mate 60手机，
这款产品采用了自主研发的麒麟9000S芯片，预计将在9月10日正式上市销售。"
"""

识别结果展示：

• 时间实体：上周五、9月10日
• 人名：余承东
• 地名：北京
• 组织机构：华为技术有限公司、北京国际会议中心
• 产品名：Mate 60手机、麒麟9000S芯片

2.3 实体关系分析

GLM-4.7-Flash不仅能识别实体，还能分析实体之间的关系：

relation_prompt = """
分析以下文本中的实体及其关系：

"腾讯公司马化腾昨日拜访了字节跳动张一鸣，双方就人工智能领域的合作进行了深入交流。"
"""

关系分析结果：

• 马化腾（腾讯公司）→ 拜访 → 张一鸣（字节跳动）
• 双方 → 交流 → 人工智能领域合作

3. 情感分析深度应用

情感分析是另一个GLM-4.7-Flash表现出色的领域，下面展示几个不同场景的应用案例。

3.1 基础情感判断

sentiment_prompt = """
分析以下文本的情感倾向（正面/负面/中性）并说明理由：

"这个产品的质量真的很不错，使用起来非常流畅，完全超出了我的预期！"
"""

情感分析结果：

• 情感倾向：强烈正面
• 分析理由：使用了"真的很不错"、"非常流畅"、"超出预期"等积极词汇，表达高度满意

3.2 复杂情感识别

对于包含混合情感的文本，模型能够进行细腻分析：

mixed_sentiment_prompt = """
分析以下用户评论的情感倾向：

"手机的外观设计很漂亮，拍照效果也很好，但是电池续航时间太短了，每天都要充电好几次。"
"""

细腻分析结果：

• 正面情感：外观设计（漂亮）、拍照效果（好）
• 负面情感：电池续航（太短）、充电频率（多次）
• 整体评价：混合情感，正面和负面因素并存

3.3 情感强度分析

intensity_prompt = """
分析以下文本的情感强度（0-10分）和具体情感类型：

"我简直无法形容现在的愤怒！等了整整三个小时，客服居然告诉我系统故障无法处理！"
"""

强度分析结果：

• 情感类型：愤怒、失望
• 情感强度：9分（极高）
• 关键触发点：长时间等待、客服处理失败

4. 综合应用案例

将命名实体识别和情感分析结合，可以解决更复杂的实际业务问题。

4.1 产品评论分析

product_review_prompt = """
分析以下产品评论，识别提到的实体并分析情感倾向：

"刚买了iPhone 15，苹果的设计一如既往的优秀，iOS系统也很流畅。
但是在北京王府井苹果店购买时，店员的服务态度很差，让人很不愉快。"
"""

综合分析结果：

• 产品实体：iPhone 15、苹果、iOS系统
• 地点实体：北京王府井苹果店
• 正面情感：产品设计（优秀）、系统性能（流畅）
• 负面情感：店员服务（态度差、不愉快）

4.2 社交媒体监控

social_media_prompt = """
分析以下微博内容的情感倾向和提到的实体：

"今天在星巴克遇到特斯拉CEO马斯克，他人很亲切，还聊了关于SpaceX的最新进展！#偶遇名人"
"""

监控分析结果：

• 提及实体：星巴克、特斯拉、马斯克、SpaceX
• 情感倾向：正面（亲切、积极）
• 话题标签：#偶遇名人

5. 实用prompt编写技巧

为了获得最佳的命名实体识别和情感分析效果，以下是一些实用的prompt编写建议。

5.1 实体识别prompt优化

# 优化后的实体识别prompt模板
optimal_ner_prompt = """
请执行命名实体识别任务，要求：

1. 识别文本中的所有命名实体
2. 按以下类别分类：人名、地名、组织机构名、时间、日期、产品名
3. 以JSON格式输出结果
4. 对于不确定的实体标注为"未知"

文本："{text}"
"""

5.2 情感分析prompt优化

# 优化后的情感分析prompt模板
optimal_sentiment_prompt = """
请进行细粒度情感分析，要求：

1. 判断整体情感倾向（正面/负面/中性）
2. 分析具体情感类型（喜悦、愤怒、悲伤等）
3. 评估情感强度（1-10分）
4. 提取关键情感触发点
5. 以结构化格式输出

文本："{text}"
"""

5.3 多任务组合prompt

# 组合任务prompt模板
multi_task_prompt = """
请对以下文本执行综合分析：

1. 命名实体识别：找出所有人名、地名、组织机构名
2. 情感分析：分析情感倾向和强度  
3. 关系提取：识别实体之间的关系
4. 摘要生成：用一句话总结主要内容

文本："{text}"
"""

6. 性能优化建议

在使用GLM-4.7-Flash进行NLP任务时，以下优化建议可以帮助获得更好的效果。

6.1 参数调优建议

# 推荐的情感分析参数配置
optimal_config = {
    "model": "/root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash",
    "messages": [{"role": "user", "content": prompt}],
    "temperature": 0.2,  # 较低温度获得更确定性的输出
    "max_tokens": 800,   # 足够长的输出空间
    "top_p": 0.9,
    "frequency_penalty": 0.1  # 减少重复内容
}

6.2 批量处理优化

对于需要处理大量文本的场景，建议使用批量处理：

# 批量处理示例
batch_prompts = [
    "分析文本1的情感倾向...",
    "识别文本2的命名实体...",
    # ...更多任务
]

# 使用异步请求提高效率
import asyncio
import aiohttp

async def batch_process(prompts):
    async with aiohttp.ClientSession() as session:
        tasks = []
        for prompt in prompts:
            task = session.post(
                "http://127.0.0.1:8000/v1/chat/completions",
                json={
                    "model": "/root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash",
                    "messages": [{"role": "user", "content": prompt}],
                    "temperature": 0.3
                }
            )
            tasks.append(task)
        responses = await asyncio.gather(*tasks)
        return responses

7. 总结

通过本文的实例展示，我们可以看到GLM-4.7-Flash在中文命名实体识别和情感分析任务上的强大能力。该模型不仅能够准确识别文本中的各类实体信息，还能进行细腻的情感分析，为各种NLP应用场景提供了可靠的技术支撑。

7.1 核心价值总结

• 高准确率：在中文实体识别和情感分析任务上达到业界领先水平
• 强泛化能力：适应多种领域和文本类型，从新闻到社交媒体都能胜任
• 易用性好：通过精心设计的prompt即可获得高质量的分析结果
• 性能优异：基于MoE架构，在保持高精度的同时提供快速的推理速度

7.2 应用前景展望

GLM-4.7-Flash的NLP能力为以下应用场景提供了强大支持：

• 社交媒体监控和舆情分析
• 客户反馈自动处理和分析
• 新闻和文档自动标签生成
• 智能客服系统中的意图识别
• 内容审核和情感监控

随着模型的进一步优化和应用实践的深入，GLM-4.7-Flash将在中文NLP领域发挥越来越重要的作用。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。