এই কাগজটি CC 4.0 লাইসেন্সের অধীনে arxiv-এ উপলব্ধ।   লেখক:  (1) D.Sinclair, Imense Ltd, এবং ইমেল: david@imense.com;  (2) WTPye, Warwick University, এবং ইমেল: willempye@gmail.com।  লিঙ্কের টেবিল   বিমূর্ত এবং ভূমিকা   ইমোশন এলিসিটিং টেইল প্রম্পট দিয়ে এলএলএমকে জিজ্ঞাসাবাদ করা   অ্যামাজন পর্যালোচনার আবেগের PCA বিশ্লেষণ   ভবিষ্যতে কাজ   উপসংহার   স্বীকৃতি এবং রেফারেন্স  বিমূর্ত  এই কাগজটি দেখায় কিভাবে LLMs (বড় ভাষা মডেল) [5, 2] পাঠ্যের অংশের সাথে যুক্ত মানসিক অবস্থার সারাংশ অনুমান করতে ব্যবহার করা যেতে পারে। সংবেদনশীল অবস্থার সারাংশ হল শব্দের একটি অভিধান যা মূল পাঠ্য এবং একটি আবেগ প্রকাশকারী লেজ সমন্বিত একটি প্রম্পটের পরে উপস্থিত হওয়ার সম্ভাবনা সহ আবেগ বর্ণনা করতে ব্যবহৃত হয়। অ্যামাজন পণ্য পর্যালোচনার আবেগ বিশ্লেষণের মাধ্যমে আমরা প্রদর্শন করি আবেগ বর্ণনাকারীদের একটি PCA টাইপ স্পেসে ম্যাপ করা যেতে পারে। এটা আশা করা হয়েছিল যে বর্তমান টেক্সট বর্ণিত অবস্থার উন্নতির জন্য কর্মের পাঠ্য বিবরণও একটি টেল প্রম্পটের মাধ্যমে প্রকাশ করা যেতে পারে। পরীক্ষায় ইঙ্গিত করা হয়েছে যে এটি কাজ করা সহজ নয়। এই ব্যর্থতা মুহূর্তের জন্য নাগালের বাইরে মানসিক প্রতিক্রিয়ার তুলনা করার মাধ্যমে সর্বোত্তম পূর্বাভাসিত ফলাফল বেছে নেওয়ার মাধ্যমে কর্ম নির্বাচনের জন্য আমাদের আশা করা হয়েছে।     কীওয়ার্ড: সিন্থেটিক চেতনা, আবেগ ভেক্টর, আবেগ অভিধান, আবেগ সম্ভাবনা ভেক্টর  1। পরিচিতি  মানুষের আচরণ অগত্যা আবেগ দ্বারা নিয়ন্ত্রিত হয় [3]। আমাদের চারপাশের বিশ্ব সম্পর্কে সংবেদনশীল তথ্যগুলিকে আমাদের অভ্যন্তরীণ অবস্থার সাথে সমন্বয় করতে হবে এবং যে কোনও পদক্ষেপ নেওয়ার জন্য বেছে নেওয়া হয়েছে যাতে ভবিষ্যতের অবস্থার দিকে নিয়ে যায় যা আমাদের বর্তমান অবস্থার চেয়ে পছন্দনীয় বলে মনে হয় [৪], যেখানে পছন্দের অর্থ হল 'আমার অনুভূতি আমি চাই নতুন রাষ্ট্রের চেষ্টা করতে চাই বা সম্ভবত একটি নতুন রাষ্ট্রের দিকে নিয়ে যাওয়া কর্ম'। আমরা ক্ষুধার্ত হলে আমরা প্রায়ই খেতে পছন্দ করব। আমরা খুব ক্ষুধার্ত হলে আমরা খাদ্য অর্জনের জন্য আরও বেশি ঝুঁকি নেব। আমরা ঠান্ডা হলে আমরা উষ্ণ ইত্যাদি পেতে চেষ্টা করব। চিনিযুক্ত কার্বনেটেড পানীয় বস্তুনিষ্ঠভাবে দীর্ঘমেয়াদী সুখের দিকে পরিচালিত করে না তবে চিনি খাওয়ার জন্য পরিচিত স্বল্পমেয়াদী মানসিক প্রতিক্রিয়া কাম্য। বিশ্ব সম্পর্কে সংবেদিত ডেটা অত্যন্ত বৈচিত্র্যময়, প্রায়শই ভুল এবং অসম্পূর্ণ এবং প্রয়োজনীয় প্রতিক্রিয়াগুলির বিভিন্ন মাত্রার জরুরিতা রয়েছে। আরবিট্রেশন ইঞ্জিন যেটি এই ইনপুটগুলিকে প্রক্রিয়া করে তাকে স্বাভাবিকভাবেই অস্পষ্টতার সাথে মোকাবিলা করতে হবে যখন অভ্যন্তরীণভাবে নিশ্চিততা প্রদান করবে। আবেগ শব্দটি আমরা সিদ্ধান্ত নেওয়ার জন্য এই যন্ত্র ব্যবহার করার অভিজ্ঞতা বর্ণনা করতে ব্যবহার করি। কম্পিউটারের আবেগ নেই শব্দটি প্রায়ই ভুলভাবে ব্যবহার করা হয় যে একটি মেশিনে চলমান ইন্টারেক্টিভ কম্পিউটার সফ্টওয়্যার কখনই আবেগ প্রদর্শন বা অনুভব করতে পারে না। লার্জ ল্যাঙ্গুয়েজ মডেল (LLMs) [5, 1, 2] একটি আনুমানিক সংবেদনশীল অবস্থার সাথে পাঠ্যের একটি অংশকে সংযুক্ত করার একটি প্রস্তুত উপায় অফার করে, পাঠ্যের জগত এবং মানুষের আবেগের রাজ্যের মধ্যে ব্যবধান দূর করে। এলএলএমগুলি ফোকাসড সেন্টিমেন্ট বিশ্লেষণে ব্যবহার করা হয়েছে এবং পর্যাপ্তভাবে সম্পাদন করার জন্য রিপোর্ট করা হয়েছে [6] কিন্তু লেখার সময় আমরা সম্ভাব্য আবেগ অভিধান ব্যবহার করে অন্যান্য গবেষকদের সম্পর্কে অবগত নই।  এই কাগজটি এলএলএম এবং আবেগের ছেদটি অন্বেষণ করে, এটি প্রদর্শন করে যে কীভাবে এই মডেলগুলিকে পাঠ্যের একটি অংশের সংবেদনশীল বিষয়বস্তু অনুমান করতে ব্যবহার করা যেতে পারে। আমরা আবেগ-সম্পর্কিত শব্দগুলির একটি অভিধান তৈরি করে এবং এই শব্দগুলির সম্ভাব্যতা গণনা করে একটি প্রম্পট অনুসরণ করে যা মূল পাঠ্য এবং একটি আবেগ-উদ্দীপক লেজ উভয়ই অন্তর্ভুক্ত করে সংবেদনশীল অবস্থার সংক্ষিপ্তসারের জন্য একটি অভিনব পদ্ধতি উপস্থাপন করি। এই পদ্ধতিটি আমাদের পাঠ্যের সংবেদনশীল ল্যান্ডস্কেপ পরিমাণগতভাবে মূল্যায়ন করতে দেয়।  আমাদের দৃষ্টিভঙ্গি প্রদর্শনের জন্য আমরা 271টি আবেগের একটি অভিধান বেছে নিই এবং শব্দ বর্ণনা করি এবং আমাজন পণ্য পর্যালোচনার একটি বিভাগের সাথে তাদের যুক্ত হওয়ার সম্ভাবনা অনুমান করি। সীমিত কম্পিউটেশনাল রিসোর্স এবং সময় মানে আমরা শুধুমাত্র একটি সারসরি স্টাডি প্রকাশ করার অবস্থানে আছি। এটা সম্ভবত যে অনেক আবেগ পারস্পরিক সম্পর্কযুক্ত এবং আবেগ ভেক্টরের একটি বড় নমুনার উপর PCA বিশ্লেষণের মাধ্যমে আবেগগত স্থানের মাত্রার একটি অনুমান পাওয়া যেতে পারে।  আমরা পরীক্ষা করার সময় আমরা যে সীমাবদ্ধতার সম্মুখীন হয়েছিলাম এবং আবেগ ভিত্তিক সিন্থেটিক চেতনার আচরণের উত্পাদন এবং নিয়ন্ত্রণে কিছু বাধা নিয়ে আলোচনা করি।  এই কাগজটি নিম্নরূপ সাজানো হয়েছে, বিভাগ 2 LLM এবং এটি চালানোর জন্য ব্যবহৃত হার্ডওয়্যারের বিশদ বিবরণ, বিভাগ 2.1 আমাদের আবেগ অভিধান তৈরি করার জন্য আমাদের পছন্দের শব্দগুলির বিবরণ দেয়, বিভাগ 2.1.1 একটি টেল প্রম্পট ব্যবহার করে একটি LLM থেকে আবেগের সম্ভাব্যতা অনুমান করে৷ বিভাগ 2.1.2 Amazon পর্যালোচনা ফলাফল দেখায়. আবেগ ভেক্টর সহ PCA কাঠামোর একটি ইঙ্গিত 3 এ দেওয়া হয়েছে। অবশেষে ভবিষ্যতের দিকনির্দেশ বিবেচনা করা হয় এবং উপসংহার দেওয়া হয়।

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

AI Models on HackerNoon

গল্পের মূল ভাষায় এই অডিও তৈরি!

অতিদীর্ঘ; পড়তে

Get Free Unlimited IP Geo Data With IPinfo Lite

LLMs ব্যবহার করে আবেগ সম্ভাব্যতা ভেক্টর অনুমান করুন: বিমূর্ত এবং ভূমিকা

About Author

মন্তব্য

আসে ট্যাগ

এই নিবন্ধটি উপস্থাপন করা হয়েছে

Related Stories

ফ্লোকির ভালহাল্লা ভারতের শ্রীলঙ্কা সফরের সহযোগী স্পনসর হিসেবে যোগ দিয়েছেন

ক্লাউড সনেট 3.5 সিস্টেম প্রম্পট লিক: একটি ফরেনসিক বিশ্লেষণ

এই 18টি ডেভেলপার টুল 🚀🔥 দিয়ে আপনার উৎপাদনশীলতা বাড়ান

ফ্লোকির ভালহাল্লা ভারতের শ্রীলঙ্কা সফরের সহযোগী স্পনসর হিসেবে যোগ দিয়েছেন

ক্লাউড সনেট 3.5 সিস্টেম প্রম্পট লিক: একটি ফরেনসিক বিশ্লেষণ

এই 18টি ডেভেলপার টুল 🚀🔥 দিয়ে আপনার উৎপাদনশীলতা বাড়ান

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps