使用DeepSeek API进行情感分析：超简单

情感分析”问题，是指我们根据一段文字，去判断它的态度是正面的还是负面的。电商评论分析社交媒体舆情监控客户服务质量评估维度传统方法LLM方法开发速度慢（需数据收集+训练）快（即时API调用）准确率领域内高，跨领域低泛化性强，领域适应快硬件需求CPU即可运行小模型需要GPU/API调用适用场景固定领域的大规模分析灵活需求、小样本场景成本前期训练成本高，后期推理成本低按API调用次数计费。

kestiny

1296人浏览 · 2025-03-31 22:05:40

kestiny · 2025-03-31 22:05:40 发布

文章目录

1. 引言

1.1 情感分析概述

“情感分析”问题，是指我们根据一段文字，去判断它的态度是正面的还是负面的。在传统的互联网产品里，经常会被用来分析用户对产品、服务的评价，典型应用场景有：

电商评论分析
社交媒体舆情监控
客户服务质量评估

1.2 为什么选择DeepSeek API

中文优化效果显著
零样本学习能力
灵活的提示工程控制

1.3 本文目标

使用DeepSeek API构建一个简单的情感分析工具。

2. 技术方案对比

2.1 传统情感分析方法

传统进行情感分析时，需要经过以下步骤：

数据收集
数据标注
特征工程
机器学习算法选择
模型训练
模型应用

工作量大不说，还需要你有相对丰富的机器学习经验。

2.2 基于LLM的方法

DeepSeek API优势

无需训练数据
理解复杂语义（反讽、隐喻）
多任务统一处理

3. DeepSeek 情感分析实战

3.1 Few-shot Learning方法

Few-shot Learning（少样本学习）是一种让模型通过少量示例快速学习新任务的技术。在情感分析中，它可以显著提升模型对特定领域或复杂语义的理解能力。

Few-shot Learning 的优势

传统监督学习：需要大量标注数据训练模型。
Few-shot Learning：仅提供少量示例（如3-5个），模型通过类比推理完成任务。

Few-shot Learning 示例

messages = [
    {"role": "system", "content": """
       你是一个情感分析助手。请根据以下示例判断新文本的情感倾向:
	   评论：东西收到这么久，都忘了去好评，美的大品牌，值得信赖，东西整体来看，个人感觉还不错，没有出现什么问题
       情感：正面
       评论：随意降价，不予价保，服务态度差
       情感：负面
       评论：品符合预期，但价格略高
       情感：中性
    """}
]

输出：正面

3.2 完整的DeepSeek API调用示例

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.deepseek.com/"
)

# 向LLM发起API发起请求
def chat_completion_request(messages):
    completion = client.chat.completions.create(
        model="deepseek-chat",  # 此处以deepseek-chat为例，可按需更换模型名称
        messages=messages
    )

    return completion

def main_loop():
    """
    主循环，获取用户输入并与 LLM 进行对话。
    """
    print("欢迎使用情感分析专家！输入内容开始对话（输入 bye 退出）")
    while True:
        try:
            user_input = input("\n输入评论内容: ")
            if user_input.lower() in ("bye", "goodbye", "exit"):
                break

            # 使用 few-shots learning (少样本学习) 方案
            messages = [
                {"role": "system", "content": """
                    你是一个情感分析助手。请根据以下示例判断新文本的情感倾向:
                    评论：东西收到这么久，都忘了去好评，美的大品牌，值得信赖，东西整体来看，个人感觉还不错，没有出现什么问题
                    情感：正面
                    评论：随意降价，不予价保，服务态度差
                    情感：负面
                    评论：品符合预期，但价格略高
                    情感：中性
                    """},
                {"role": "user", "content": "评论：" + user_input}
            ]

            completion = chat_completion_request(messages)
            if not completion:
                continue
            print(f"DeepSeek: {completion.choices[0].message.content}\n")
        except KeyboardInterrupt:
            break
        except Exception as e:
            print(f"发生错误: {str(e)}")

if __name__ == "__main__":
    main_loop()
    print("\ngoodbye!")

3.3 案例演示

DeepSeek情感分析演示

4. DeepSeek开发情感分析工具的劣势

看到这里的你是不是已经跃跃欲试的要开发自己的 DeepSeek 情感分析工具了吗？别急，说了这么多使用 DeepSeek 开发情感分析工具的优势，难道就完全没有一点劣势吗？其实不是，正如软件没有银弹一样，DeepSeek或者说LLM也不是银弹，比如有LLM有如下劣势：

计算成本高：API调用或大模型部署资源消耗大
输出不稳定：可能受Prompt设计影响
数据安全：云API需考虑敏感信息传输

5. 总结

5.1 传统机器学习方案和DeepSeek进行情感分析对比

维度	传统方法	LLM方法
开发速度	慢（需数据收集+训练）	快（即时API调用）
准确率	领域内高，跨领域低	泛化性强，领域适应快
硬件需求	CPU即可运行小模型	需要GPU/API调用
适用场景	固定领域的大规模分析	灵活需求、小样本场景
成本	前期训练成本高，后期推理成本低	按API调用次数计费