[AIGC]-OpenAI情感分析-如何利用OpenAI成为“情感大师”?-灵析社区

乌兰推

前言

​        OpenAI的智能远远超乎我们的想象。

​ 过去，我们一直认为，AI只是一个有感情的对话机器，但是，现如今我们是时候改变这种想法了！在对大模型不断地训练积累下，我们的AI已经能够实现对话感情的分析，和具有"感情"的回复了

​ 今天，我们来学习利用AI完成关键词情感分析！

正文

我们在之前的文章OpenAI初体验：如何利用OpenAI成为一名跨境电商"超人"-小白篇

就已经初次体验到了OpenAI的魅力，感兴趣的小伙伴，也可以去学习一下！

我们也在上一篇文章中，学会了客服对话的生成：[AIGC->OpenAI体验]虚拟客服对话生成-如何利用OpenAI成为"客服超人"

什么是AI情感分析呢？

AI情感分析是一种人工智能技术，旨在识别和理解文本、语音或图像中的情感和情感表达。它有时也被称为情感检测、情感识别或情感计算。这项技术的主要目标是分析和解释人们在各种通信渠道中表达的情感，以便帮助企业和组织更好地理解其受众的情感状态、情感需求和情感反应。

就比如AI能够通过你写的句子中的一些关键字来判断你这句话中蕴含的情感！

这个技术的应用领域也相当广泛:

  • 社交媒体分析：AI情感分析可用于监测社交媒体上的情感趋势，以理解公众对某一话题、品牌或事件的情感反应。
  • 客户服务：企业可以使用情感分析来检测客户在服务互动中的情感，以改善客户满意度。
  • 市场调查：市场研究人员可以利用情感分析来识别产品或服务的潜在市场反应。
  • 舆情分析：政府和新闻机构可以使用情感分析来追踪公众对新闻事件的情感反应。

今天，我们就来学习一下如何利用AI分析关键词情感！

必备工具

  1. Google账户
  2. OpenAI账号
  3. Colab网站：colab.research.google.com/
  4. OpenAI网站：openai.com/
  5. 能正常访问以上网站的途径:魔法
  6. AI应用
  • Transformer模型 --来自于抱抱脸
  • pipeline模块
  • sentiment-analysis情感分析分类器
  • uer/roberta-base-finetuned-dianping-chinese中文情感分析模型

实操

  1. 技术方法：AI情感分析使用自然语言处理（NLP）和机器学习技术，例如文本分类、情感词汇识别、情感强度分析等，来检测和量化文本中的情感。对于语音和图像情感分析，声音特征和图像处理技术也会得到应用。
  2. 情感分类：情感分析通常将文本或内容分类为积极、消极或中性。有些系统可以提供更详细的情感分类，如愤怒、快乐、悲伤、惊讶等。
  3. 挑战和限制：情感分析仍然面临一些挑战，例如文本的复杂性、多义性、文化差异、语言模型的偏见以及跨文化和跨语言的情感理解。
  4. 商业价值：AI情感分析可以帮助企业改进客户服务、制定市场策略、提高产品质量、发现消费者需求，以及更好地了解受众的需求和期望。

进行Cobalb模型安装

首先我们打开Coblab网站：

选择文件:

新建笔记本

点击+代码

然后在我们的代码框中输出下述代码并且运行：

!pip install transformers #来自抱抱脸

如果我们得到这样一个结果的话：

我们达到这个图就说明我们的代码运行成功咯！

接下来，我们生成一个新代码,输出以下内容

派发一个新的情感分析模块

from transformers import pipeline #pipeline 派发模块 
classifer = pipeline('sentiment-analysis') # 情感分析

得到这样的结果，就说明安装成功啦！！

执行情感分析代码

我们让我们的模型分析一下i love you的情感

result = classifer('i love you')
result
输出：[{'label': 'POSITIVE', 'score': 0.9998656511306763}]

这样我们的输出结果就变成这样，情感是积极的，分数我们可以当个参考

我们再来分析一下shut up的情感!

result = classifer('shut up')
result
[{'label': 'NEGATIVE', 'score': 0.9992936849594116}]

我们这个词分析的结果就消极的！！没有问题！

我们再来分析一下“遥遥领先”

result = classifer('遥遥领先')
result
[{'label': 'NEGATIVE', 'score': 0.8616330027580261}]

我们可以发现这里的输出结果出了问题？这是为什么？

因为我们没有安装uer/roberta-base-finetuned-dianping-chinese模型

python复制代码#中文模型 大众点评的亿万条数据训练出来的
classifer = pipeline('sentiment-analysis', model="uer/roberta-base-finetuned-dianping-chinese")#下发任务,能够理解中文

这样就安装成功啦, 接下来，我们再识别一下“遥遥领先”

result = classifer("遥遥领先")
print(result)
输出:[{'label': 'positive (stars 4 and 5)', 'score': 0.941333532333374}]

好了，这样我们的输出的结果！就没有问题啦！！！

阅读量：2011

点赞量：0

收藏量:0