AIGC: 聊聊如何利用openai判断用户评论时的情感

前言

今天我们来聊聊如何用openai进行情感分析,判断用户评论的正负面性

准备工作

通过 Google Colab,用户可以创建和共享Jupyter笔记本,运行Python代码,访问云端计算资源,以及使用大量开源机器学习框架和库,而无需担心硬件或软件配置问题。而我们这里需要一点点的python 和 openai结合,当我们使用Google Colab 运行python时,可以不用担心配置环境。

注意,以上这些网站均为外网,当我们访问这些网站时,需要 "搭梯子",具体可以去网上看看教程

openAI

OpenAI GPT(Generative Pre-trained Transformer)模型的强大之处在于其在大规模文本数据上进行预训练,学习了丰富的语言知识。虽然 GPT 模型本身并没有专门为情感分析设计,但它可以用于该任务,因为它具有对自然语言的深刻理解。

在使用 GPT 进行情感分析时,可以利用以下几个功能:

  1. 语言理解: GPT 模型通过预训练学到了大量的语言知识,包括语法、词汇、上下文理解等。这使得它能够理解输入文本的含义,包括其中包含的情感色彩。
  2. 文本生成: GPT 可以生成与输入文本相匹配的自然语言文本。这对于生成情感分析的结果或解释性文本非常有用。
  3. 上下文感知: GPT 是一个上下文感知的模型,它可以考虑输入文本的整体上下文,而不仅仅是单个句子。这对于处理复杂的情感语境很重要。
  4. 生成性能: GPT 是一个生成模型,可以生成自然语言文本。这使得它在产生情感分析的结果时能够表达更加自然和多样的语言。

正文

  1. 首先进入openai网站,拿到我们的sdk。教程如下:

选择VPI

复制我们的API keys, 如果没有的话点击Create new secret key,这样我们就可以拿到我们的sdk了。

接下来我们进入Google Colab网站,将代码放进此网站运行。这个网站十分的方便,当我们使用Google Colab 运行python时,可以不用担心配置环境。

点击文件-> 新建笔记本 点击左上角 +代码

正文

输入 !pip install openai==0.10.2 ,安装名为openai的安装包,版本号为0.10.2

当左下角出现Successfully时,说明安装成功。

输入:

python 复制代码
import openai

# 设置 Completion 模型的引擎为 'text-davinci-003'
COMPLETION_MODEL = 'text-davinci-003'

# 设置 OpenAI API 密钥
openai.api_key = "这里输入你的sdk"

# 定义一个函数,用于获取模型生成的文本响应
def get_response(prompt, temperature=1.0):
    # 调用 OpenAI 库的 Completion 模块,创建一个新的 completion(完成)任务
    completions = openai.Completion.create(
        engine=COMPLETION_MODEL,
        prompt=prompt,
        max_tokens=1024,  # 生成的最大 tokens 数量
        n=1,  # 生成语句的数量
        stop=None,  # 停止词,这里设置为 None,表示不指定停止词
        temperature=temperature  # 控制生成文本的多样性,1.0 表示中等温度
    )

    # 打印生成的 completion 信息(可选)
    print(completions)

    # 从生成的选择中获取文本
    message = completions.choices[0].text

    return message
  1. import openai: 引入 OpenAI Python 客户端库,以便在 Python 中使用 OpenAI 提供的 API。

  2. COMPLETION_MODEL = 'text-davinci-003': 设置使用的 GPT 模型的引擎为 "text-davinci-003",这是 DaVinci 模型系列的一个特定版本。

  3. openai.api_key="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": 设置 OpenAI API 密钥,以进行 API 请求。

  4. def get_response(prompt, temperature=1.0): 定义一个函数,用于获取模型生成的文本响应。函数接受两个参数:prompt 是生成文本的输入提示,temperature 是控制生成文本多样性的参数,默认值为 1.0。

  5. openai.Completion.create(...): 调用 OpenAI 库的 Completion 模块,创建一个新的 Completion 任务。该任务包括使用指定引擎(模型)、输入提示、生成的最大 tokens 数量、生成语句的数量、停止词等参数。

    • engine = COMPLETION_MODEL: 指定使用的 GPT 模型引擎。
    • prompt = prompt: 提供生成文本的输入提示。
    • max_tokens = 1024: 指定生成的最大 tokens 数量。
    • n = 1: 指定生成语句的数量为 1。
    • stop = None: 停止词,这里设置为 None,表示不指定停止词。
    • temperature = temperature: 控制生成文本的多样性,1.0 表示中等温度。
  6. print(completions): 打印生成的 Completion 任务的详细信息(可选,用于调试目的)。

  7. message = completions.choices[0].text: 从生成的选择中获取文本,这里取第一个选择的文本。

  8. return message: 将生成的文本作为函数的返回值。

接下来我们设计一下prompt:

提供一个包含用户评论及其情感标签的字符串变量 prompts,然后通过将这个字符串与额外的评论连接,形成一个新的字符串变量 good_case。使用模型对这些评论进行情感分析,并将判断结果填充到相应的位置。根据评论的内容,这个额外的评论是正面的,但是由于 情感: 部分没有具体的值,因此需要使用情感分析模型来确定情感标签。

我们来看看输出:

今天的内容就到这啦,如果你觉得小编写的还不错的话,或者对你有所启发,请给小编一个辛苦的赞吧

相关推荐
AllData公司负责人22 分钟前
第九篇:AI大模型数据开发底座系列说明书:AllData集成BISHENG开源项目建设大模型应用开发底座,涵盖可视化编排/智能助手/一键API/模型接入!
人工智能·云原生·数据分析·视觉检测·知识图谱·大模型应用·bisheng
数字新视界25 分钟前
数据中心DCIM管理系统助力提升机房管理效率与安全性
大数据·人工智能·物联网·信息与通信·动环监控系统
阿里云大数据AI技术29 分钟前
阿里云 EMR Serverless StarRocks(Stella)× Paimon:让多模态数据湖从“存得下”走向“找得到、用得上”
人工智能
谭光志30 分钟前
如何让 AI 高效工作
前端·后端·ai编程
class心平气和1 小时前
AI 赋能测试流程:从基础概念到测试全流程实战
人工智能
猿人谷1 小时前
遗传编程的未来:从进化搜索到自主发现求解方法
人工智能·深度学习·神经网络·ai-native
ServBay1 小时前
连AI自己也不愿意维护自己的屎山代码
后端·ai编程·claude
字节跳动开源1 小时前
OpenViking 3D理解模型上线轴测八视图及PMI解析
人工智能·开源·aigc
阿里云大数据AI技术1 小时前
孩子王基于阿里云Data Agent的智能体实践:300+Agent 覆盖400+业务场景
大数据·人工智能·agent
code2cat1 小时前
【随笔】MCP长任务:查询已经返回,为什么任务还没有完成
javascript·人工智能·后端·mcp