引言大模型如BERT、GPT等在自然语言处理任务中展现了强大的能力但为了使其更贴合特定应用场景通常需要进行微调。本文将详细讲解如何为售前售后服务的客服机器人和广告生成机器人准备高质量的微调数据并通过具体的代码示例帮助读者更好地理解和应用这些技术。一、微调数据来源与处理构建高效的机器人关键在于使用高质量的微调数据。这些数据主要来自三个渠道并经过一系列专业的处理步骤以确保数据质量。我们将结合售前售后服务客服机器人和广告生成机器人的具体场景来说明。历史问答记录与广告文案数据来源客服机器人公司积累的历史问答记录由真人客服与客户通过淘宝旺旺、抖音等平台沟通产生。广告生成机器人公司积累的历史广告文案。处理步骤建立不文明用语词库创建包含不文明用语的词库用于后续筛选仅适用于客服机器人。关键词匹配剔除使用程序进行关键词匹配自动剔除包含不文明用语的内容仅适用于客服机器人。数据清洗对剩余数据进行初步清洗去除冗余信息和格式化问题。人工审核对清洗后的数据进行人工审核剔除回答效果不佳或不符合业务逻辑的内容。最终筛选保留高质量的问答对作为微调数据。生成更多问题针对每个广告文案人工编写相关的问题并送入大模型生成更多含义相同但表达不同的问题增加样本多样性仅适用于广告生成机器人。文档及手册与产品SKU信息数据来源客服机器人与问答相关的文档、说明书、手册等信息。广告生成机器人产品的SKU信息。处理步骤文本分块对文档进行初步整理并分块确保每个文本块主题明确且长度适中。生成问题利用大模型根据每个文本块生成相关问题确保问题的多样性和覆盖面。知识库构建将生成的问题送入LangChain提问获取答案形成知识库仅适用于客服机器人。生成广告文案将产品SKU信息送入开源大模型如ChatGPT通过提示词生成相关广告文案仅适用于广告生成机器人。人工筛选人工筛选后保留高质量问答对作为微调数据。数据增强通过同义词替换、句子重组等方式增加数据多样性提升模型泛化能力。网上爬取的数据数据来源客服机器人从互联网上爬取礼貌沟通的闲聊问答对剔除涉及产品的数据。广告生成机器人从互联网上获取的广告文案。处理步骤数据采集使用网络爬虫工具从多个可信来源收集数据确保数据的多样性和代表性。数据清洗去除无关信息保留高质量的问答对或广告文案。去重处理通过哈希算法或相似度计算去除重复或高度相似的问答对或广告文案。人工审核对筛选后的数据进行人工审核确保数据质量和适用性。所有上述数据最终通过程序拼接整理成JSON格式的问答对其中context键对应问题summary键对应答案。此外还可以引入半监督学习方法结合少量标注数据和大量未标注数据进一步提高模型性能。二、代码示例为了更好地理解上述流程下面提供一些代码示例展示如何处理和整理微调数据。1. 数据清洗与关键词匹配import re from sklearn.feature_extraction.text import CountVectorizer # 示例不文明用语词库 uncivil_words [脏话1, 脏话2] def clean_text(text): # 去除标点符号和特殊字符 text re.sub(r[^\w\s], , text) return text.lower() def remove_uncivil(text, uncivil_words): words text.split() cleaned_words [word for word in words if word not in uncivil_words] return .join(cleaned_words) # 示例数据清洗 texts [这是个测试句子包含脏话1, 另一个干净的句子] cleaned_texts [remove_uncivil(clean_text(text), uncivil_words) for text in texts] print(cleaned_texts)2. 自动生成问题from transformers import pipeline # 初始化大模型 qa_pipeline pipeline(question-generation) # 示例文本 text 这是一段关于某个产品的描述它具有很多独特的功能。 # 自动生成问题 questions qa_pipeline(text) for q in questions: print(q[question])3. 整理成JSON格式import json # 示例问答对 qa_pairs [ {context: 这是一个问题, summary: 这是一个答案}, {context: 这是另一个问题, summary: 这是另一个答案} ] # 写入JSON文件 with open(qa_data.json, w, encodingutf-8) as f: json.dump(qa_pairs, f, ensure_asciiFalse, indent4) # 读取JSON文件 with open(qa_data.json, r, encodingutf-8) as f: data json.load(f) print(data)4. 知识库构建与查询from langchain import LangChain # 初始化LangChain langchain LangChain() # 示例知识库构建 knowledge_base { 问题1: 答案1, 问题2: 答案2 } # 查询知识库 query 问题1 answer langchain.query(knowledge_base, query) print(answer)5. 广告文案生成from transformers import pipeline # 初始化大模型 generation_pipeline pipeline(text-generation) # 示例产品SKU信息 sku_info 产品名称: T恤, 颜色: 白色, 尺码: M # 提示词 prompt f根据以下产品信息生成一则简洁的广告文案{sku_info} # 生成广告文案 ad_copy generation_pipeline(prompt, max_length50, num_return_sequences1)[0][generated_text] print(ad_copy)最佳实践建议为了确保微调数据的质量和有效性以下是一些建议多样化数据来源尽可能从多个渠道获取数据确保数据的多样性和代表性。严格的人工审核尽管自动化工具可以帮助处理大量数据但最终的数据质量仍需依赖人工审核。持续迭代改进定期更新和扩充数据集确保模型能够适应不断变化的业务需求。引入高级技术考虑引入半监督学习、对抗训练等先进技术进一步提升模型性能。总结机器人的构建微调数据的质量直接影响到最终模型的效果。通过精心选择和处理数据源可以显著提高模型的性能和实用性。希望本文能为你提供有价值的参考和启发。参考资料LangChain DocumentationOpenAI API Documentation对抗生成网络 (GAN) 概述 
长河君 · 2026/10/29 1:19:23 · 阅读 1.2k 机器人构建详解：售前售后服务客服机器人与广告生成机器人的微调数据处理方法
引言大模型如BERT、GPT等在自然语言处理任务中展现了强大的能力但为了使其更贴合特定应用场景通常需要进行微调。本文将详细讲解如何为售前售后服务的客服机器人和广告生成机器人准备高质量的微调数据并通过具体的代码示例帮助读者更好地理解和应用这些技术。一、微调数据来源与处理构建高效的机器人关键在于使用高质量的微调数据。这些数据主要来自三个渠道并经过一系列专业的处理步骤以确保数据质量。我们将结合售前售后服务客服机器人和广告生成机器人的具体场景来说明。历史问答记录与广告文案数据来源客服机器人公司积累的历史问答记录由真人客服与客户通过淘宝旺旺、抖音等平台沟通产生。广告生成机器人公司积累的历史广告文案。处理步骤建立不文明用语词库创建包含不文明用语的词库用于后续筛选仅适用于客服机器人。关键词匹配剔除使用程序进行关键词匹配自动剔除包含不文明用语的内容仅适用于客服机器人。数据清洗对剩余数据进行初步清洗去除冗余信息和格式化问题。人工审核对清洗后的数据进行人工审核剔除回答效果不佳或不符合业务逻辑的内容。最终筛选保留高质量的问答对作为微调数据。生成更多问题针对每个广告文案人工编写相关的问题并送入大模型生成更多含义相同但表达不同的问题增加样本多样性仅适用于广告生成机器人。文档及手册与产品SKU信息数据来源客服机器人与问答相关的文档、说明书、手册等信息。广告生成机器人产品的SKU信息。处理步骤文本分块对文档进行初步整理并分块确保每个文本块主题明确且长度适中。生成问题利用大模型根据每个文本块生成相关问题确保问题的多样性和覆盖面。知识库构建将生成的问题送入LangChain提问获取答案形成知识库仅适用于客服机器人。生成广告文案将产品SKU信息送入开源大模型如ChatGPT通过提示词生成相关广告文案仅适用于广告生成机器人。人工筛选人工筛选后保留高质量问答对作为微调数据。数据增强通过同义词替换、句子重组等方式增加数据多样性提升模型泛化能力。网上爬取的数据数据来源客服机器人从互联网上爬取礼貌沟通的闲聊问答对剔除涉及产品的数据。广告生成机器人从互联网上获取的广告文案。处理步骤数据采集使用网络爬虫工具从多个可信来源收集数据确保数据的多样性和代表性。数据清洗去除无关信息保留高质量的问答对或广告文案。去重处理通过哈希算法或相似度计算去除重复或高度相似的问答对或广告文案。人工审核对筛选后的数据进行人工审核确保数据质量和适用性。所有上述数据最终通过程序拼接整理成JSON格式的问答对其中context键对应问题summary键对应答案。此外还可以引入半监督学习方法结合少量标注数据和大量未标注数据进一步提高模型性能。二、代码示例为了更好地理解上述流程下面提供一些代码示例展示如何处理和整理微调数据。1. 数据清洗与关键词匹配import re from sklearn.feature_extraction.text import CountVectorizer # 示例不文明用语词库 uncivil_words [脏话1, 脏话2] def clean_text(text): # 去除标点符号和特殊字符 text re.sub(r[^\w\s], , text) return text.lower() def remove_uncivil(text, uncivil_words): words text.split() cleaned_words [word for word in words if word not in uncivil_words] return .join(cleaned_words) # 示例数据清洗 texts [这是个测试句子包含脏话1, 另一个干净的句子] cleaned_texts [remove_uncivil(clean_text(text), uncivil_words) for text in texts] print(cleaned_texts)2. 自动生成问题from transformers import pipeline # 初始化大模型 qa_pipeline pipeline(question-generation) # 示例文本 text 这是一段关于某个产品的描述它具有很多独特的功能。 # 自动生成问题 questions qa_pipeline(text) for q in questions: print(q[question])3. 整理成JSON格式import json # 示例问答对 qa_pairs [ {context: 这是一个问题, summary: 这是一个答案}, {context: 这是另一个问题, summary: 这是另一个答案} ] # 写入JSON文件 with open(qa_data.json, w, encodingutf-8) as f: json.dump(qa_pairs, f, ensure_asciiFalse, indent4) # 读取JSON文件 with open(qa_data.json, r, encodingutf-8) as f: data json.load(f) print(data)4. 知识库构建与查询from langchain import LangChain # 初始化LangChain langchain LangChain() # 示例知识库构建 knowledge_base { 问题1: 答案1, 问题2: 答案2 } # 查询知识库 query 问题1 answer langchain.query(knowledge_base, query) print(answer)5. 广告文案生成from transformers import pipeline # 初始化大模型 generation_pipeline pipeline(text-generation) # 示例产品SKU信息 sku_info 产品名称: T恤, 颜色: 白色, 尺码: M # 提示词 prompt f根据以下产品信息生成一则简洁的广告文案{sku_info} # 生成广告文案 ad_copy generation_pipeline(prompt, max_length50, num_return_sequences1)[0][generated_text] print(ad_copy)最佳实践建议为了确保微调数据的质量和有效性以下是一些建议多样化数据来源尽可能从多个渠道获取数据确保数据的多样性和代表性。严格的人工审核尽管自动化工具可以帮助处理大量数据但最终的数据质量仍需依赖人工审核。持续迭代改进定期更新和扩充数据集确保模型能够适应不断变化的业务需求。引入高级技术考虑引入半监督学习、对抗训练等先进技术进一步提升模型性能。总结机器人的构建微调数据的质量直接影响到最终模型的效果。通过精心选择和处理数据源可以显著提高模型的性能和实用性。希望本文能为你提供有价值的参考和启发。参考资料LangChain DocumentationOpenAI API Documentation对抗生成网络 (GAN) 概述