Generowanie opisów produktów za pomocą interfejsu API TextCortex

Chętnie dodamy nowe funkcje do naszego API. Nasze najnowsze rozwiązanie API to zaawansowane opisy produktów.

Istnieje wiele sposobów korzystania z interfejsu API TextCortex. Sednem interakcji jest „podpowiedź”, która przekazuje naszym modelom AI instrukcje dotyczące tego, co powinny one stworzyć.

Generowanie opisu produktu za pomocą zaawansowanego API

Co to jest zaawansowany interfejs API opisu produktu:

Nasi użytkownicy potrzebują narzędzia, które jest niezawodne w swoich wynikach i służy im w tym, czego potrzebują. W przeszłości do generowania opisów używaliśmy tylko „tytułów produktów”. Dodaliśmy teraz „funkcje produktu”, które można dodać, aby uzyskać dokładniejsze opisy i zachować wysoki wkład w trafność wyników dla naszych użytkowników.

Rdzeniem każdego wywołania API jest „podpowiedź”, która mówi naszym modelom AI, o czym powinny pisać. Ogólnie rzecz biorąc, więcej informacji pomaga sztucznej inteligencji tworzyć lepszy i bardziej odpowiedni tekst do Twoich potrzeb.

Jeśli stworzyłeś swój "monit", wystarczy wysłać go do naszego punktu końcowego API z kluczem API.

Załóżmy, że szczegóły Twojego produktu wyglądają tak:

Nazwa produktu: Gucci Skinny jeansy damskie

Marka: Gucci

Kategoria: 'Odzież, buty i biżuteria', 'Kobiety'

Cechy: „Rozmiar: średni”, „Kolor: różowy”, „Styl: Slim Fit”, „Materiały: bawełna 98%, elastan 2%”

w takim przypadku musisz zbudować kompletny ciąg, taki jak poniżej, aby wysłać go do naszego API. Kompletny monit o to będzie:

Nazwa produktu: 'Gucci Skinny damskie jeansy' Marka: 'Gucci' Kategoria: ['Odzież, buty i biżuteria', 'Kobiety'] Cechy: ['Rozmiar: średni', 'Kolor: różowy', 'Styl: Wąski krój' , 'Materiały: Bawełna 98%, Elastan 2%'] Opis produktu:

 # An example about how to build the prompt programatically using python product_name = 'Gucci Skinny women jeans' brand = 'Gucci' features = ['Size: Medium', 'Color: Pink', 'Style:Slim Fit', 'Materials:Cotton 98%, Elastane 2%'] category = ['Clothing, Shoes & Jewelry', 'Women'] prompt = 'Product name: "' + product_name + '" Brand: "' + brand + \ '" Category: ' + str(category) + \ ' Features: ' + str(features) + ' Product Description:' # You can use our python package to directly generate text from textcortex import TextCortex hemingwai = TextCortex(api_key='YOUR_API_KEY') generate_content = hemingwai.generate(prompt=prompt, target_segment='', character_count=1152, source_language='en', creativity=0.7) print(generate_content) ''' Output: [{'generated_text': " This pair of women's jeans from Gucci is perfect for the modern woman who wants to look great while still being comfortable. The classic slim-fit design is made of high quality fabric that feels soft to the touch. The pink color is perfect for any outfit and can be paired with everything from a simple white shirt to a pair of heels.", 'rank': 0.7143, 'text_length': 336, 'word_frequency': [], 'word_count': 62}] '''

Metoda 1: żądanie-odpowiedź z funkcjami produktu:

Aby osiągnąć wysoki wkład do wyjścia, to

Jak wspomniano wcześniej, ważne jest, aby zachować ogólną strukturę monitów i odpowiednio dodać informacje o produkcie w potoku z systemu zarządzania danymi do naszego interfejsu API.

W poniższym przykładzie żądanie-odpowiedź widać, że w „podpowiedzi” wywołania znajduje się zdefiniowana struktura funkcji, które należy zachować i wysłać jako ciąg do naszego API.

Na przykład, jeśli masz do dyspozycji szczegółowe funkcje produktu, możesz wysłać monit podobny do następującego:

 curl -XPOST -H "Content-type: application/json" -d '{ "prompt": "Product name: 'Gucci Skinny women jeans' Brand: 'Gucci' Category: ['Clothing, Shoes & Jewelry', 'Women'] Features: ['Size: Medium', 'Color: Pink', 'Style:Slim Fit', 'Materials:Cotton 98%, Elastane 2%'] Product Description:", "category": "Product Description", "target_segment": "", "source_language": "auto", "creativity": 0.7, "character_count": 512, "api_key": "YOUR_API_KEY" }' "https://api.textcortex.com/hemingwai/generate_text"

Odpowiedź

 { "status": "success", "ai_results": [ { "generated_text": " The Gucci jeans are the perfect combination of comfort and style. Made from soft and supple cotton with a slim fit, these women's jeans will ensure you look and feel your best.", "rank": 0.6757, "text_length": 178, "word_frequency": [], "word_count": 32 } ], "error": 200 }

Metoda 2: Żądanie-odpowiedź pracująca z rzadkimi danymi aka. co jeśli nie masz wszystkich funkcji produktu:

W przypadku, gdy nie masz wystarczającej ilości danych produktu, możesz wysłać tylko „tytuł produktu”, aby uzyskać opis produktu.

Ponieważ sztuczna inteligencja nie posiada instrukcji dotyczących cech produktu, może zawierać lub wykorzystywać wspólne cechy związane z produktem.

Aby kontrolować i utrzymać wysoką trafność danych wejściowych do wyjściowych, dodaj do modelu jak najwięcej informacji. Podobnie jak człowiek, im więcej instrukcji i wdrożeń ktoś ma do zadania, tym lepiej i szybciej może działać.

Żądanie:

 curl -XPOST -H "Content-type: application/json" -d '{ "prompt": "Product name: 'Balenciaga Mens Sports Shoes - Black'", "category": "Auto Complete", "target_segment": "", "source_language": "auto", "creativity": 0.7, "character_count": 512, "api_key": "YOUR_API_KEY" }' "https://api.textcortex.com/hemingwai/generate_text"

Odpowiedź:

 { "status": "success", "ai_results": [ { "generated_text": " The Gucci jeans are the perfect combination of comfort and style. Made from soft and supple cotton with a slim fit, these women's jeans will ensure you look and feel your best.", "rank": 0.6757, "text_length": 178, "word_frequency": [], "word_count": 32 } ], "error": 200 }

Otóż ​​to! Udało Ci się :) Jeśli lubisz pracować nad prostszym sposobem programowego generowania treści, sprawdź nasze pakiety Python i Javascript:

Pakiet Pythona TextCortex Generator tekstu

TextCortex Generator tekstu Pakiet Javascript