如何看待苹果发文《好家伙，iOS 15 新功能真是好家伙》，被罗永浩吐槽没文化？

在NLP领域最近很火的研究范式Prompt^[1][2]可以一用，用来做“果言果语“风格转化或者风格分类。

Prompt的出现改变了以前pre-train -> fine-tune的范式，变成pre-train -> prompt -> predict. 后者将具体任务相关优化提前向pre-train适应，可以在小样本上更好的达到效果。考虑到“果言果语”语料并不丰富，恰好是符合应用场景的。甚至可以直接手工抓去以往苹果的中文宣传文案。

在Prompt中，对于输入的文本 x , 先转化为Prompt形式 x' : x'=f_{propmt}(x) .

这里使用一个自然语言模版，它包括两个空位置：输入 x 的位置 [X] 和预测位置 [Z] . 然后把x 输入，对预测位置[Z] 的答案进行打分和优化。

在训练过程中，模版的选择是很重要的，对结果的影响也很大。虽然目前有一些自动生成模板的方法^[2],但它们在具体小样本任务中可能效果并不如人工^[3]。这里可以简单提供几个“果言果语”prompt模板：

1. [X]，[可以，这很/这一点也不]苹果。比如：好家伙，iOS15新功能真是好家伙，[可以，这很]苹果 ； iOS15新功能太棒啦，这一点也不苹果。
2. [这是/不是一条苹果文案]，[X]. 比如：[这是一条苹果文案]，五种色调，无法低调； [这不是一条苹果文案]，提供个性化五种外壳颜色。
3. [X], [这很像苹果文案/这是正常人说的话]。比如：升维大提速，[这很像苹果文案]；性能大幅提升，[这是正常人说的话]。

当然，上面的模版仅适用于风格判断任务。对于非苹果文案->苹果文案风格转化，苹果文案英文->苹果文案中文，需要对应地设计相关自然语言模板。各位有空的同学可以一试，帮助苹果官方文案团队缓解工作压力。

参考

1. ^Schick, T. , & H Schütze. (2020). Exploiting cloze questions for few shot text classification and natural language inference.
2. ^^abShin, T. , Razeghi, Y. , Logan, I. , Wallace, E. , & Singh, S. . (2020). Autoprompt: eliciting knowledge from language models with automatically generated prompts.
3. ^Guo, H. , Tan, B. , Liu, Z. , Xing, E. P. , & Hu, Z. . (2021). Text generation with efficient (soft) q-learning.