信息来源：互联网   发布时间：2025-04-27

首先要为大家介绍下，要使用大模型，你可以访问一些在线的网站。国内kimi Chat：https://kimi.moonshot.cn/ChatGLM：https://chatglm.cn/这里就先介绍一些国内的大模型，国外的访问限制比较多，

 

首先要为大家介绍下，要使用大模型，你可以访问一些在线的网站国内kimiChat：https://kimi.moonshot.cn/ChatGLM：https://chatglm.cn/这里就先介绍一些国内的大模型，国外的访问限制比较多，大家自己摸索吧。

情感分类：大模型VS传统方法传统的二分类方法：朴素贝叶斯对用户评论进行情感分析，是将用户评论划分为正面的还是负面，这对电商产品会形成一个闭环反馈至关重要，本质上看，情感分析是一个二分类问题对于二分类问题，可以使用传统机器学习方法，如朴素贝叶斯。

朴素贝叶斯，就是简单地统计评论中的每个单词和好评/差评之间的条件概率。一般来说，如果一个词语在差评里出现的概率比好评里高得多，那这个词语所在的评论，就更有可能是一个差评。

为了理解朴素贝叶斯，最好是结合一个具体的例子，这里主要是为了表达传统方法的复杂性，所以就不过多讲解了你可以通过其它机器学习方法来完成这个分类问题，如逻辑回归，但传统机器学习方法要面临两个挑战：特征工程和

模型调优，这都非常依赖人的经验比如“这家咖啡馆太糟糕了，一点都不好喝”和 “这家咖啡馆太好喝了，一点都不糟糕”这样两句话，从意思上是完全相反的但是里面出现的词语其实是相同的此时就需要通过一些特征工程的方法来解决这个问题。

比如，通过所谓的 2-Gram和 3-Gram也来计算概率在上面这个例子里，第一句差评，就会有“太”和“糟糕”组合在一起的“太糟糕”，以及“不”和“好吃”组合在一起的“不好吃”而后面一句里就有“太好吃”和“不糟糕”两个组合。

此外，还需要考虑去除停用词和使用频率较少的词虽然，深度学习中的神经网络能够自动提取特征，很大程度上解决了传统机器学习需要特征工程的问题，但仍然避免不了模型调优大语言模型：20行代码搞定问题通过大语言模型来进行情感分析，最简单的方式就是利用它提供的 Embedding 这个 API。

这个 API 可以把一段文本变成一个向量，也就是用一组固定长度的数字列表来代表任何一段文本我们需要提前计算“好评”和“差评”这两个字的 Embedding ，而对于任何一段文本评论，也通过 API 计算它的 Embedding。

然后，我们把这段文本的 Embedding 和“好评”以及“差评”通过余弦距离（Cosine Similarity）计算出它的相似度就可以计算出这段评论的情感类型import openai import

os from openai.embeddings_utils import cosine_similarity, get_embedding # 获取访问open ai的密钥 openai.api_key = os.getenv(

"OPENAI_API_KEY") # 选择使用最小的ada模型 EMBEDDING_MODEL = "text-embedding-ada-002" # 获取"好评"和"差评"的 positive_review = get_embedding(

"好评") negative_review = get_embedding("差评") positive_example = get_embedding("买的银色版真的很好看，一天就到了，晚上就开始拿起来完系统很 negative_example = get_embedding("

降价厉害，保价不合理，不推荐") def get_score(sample_embedding): return cosine_similarity(sample_embedding, positive_review) - cosine_similarity positive_score = get_score(positive_example) negative_score = get_score(negative_example) print("

好评例子的评分 : %f" % (positive_score)) print("差评例子的评分 : %f" % (negative_score))结果好评例子的评分 : 0.070963 差评例子的评分 :

-0.081472

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186