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。

1. 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。

2. 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

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

5.2 混合方案建议

现实世界并不是一场非黑即白，非此即彼的游戏，往往是你中有我，五中有你，因此在实际应用中你很可能采取的是混合型方案：

1. 冷启动阶段
   • 使用LLM（DeepSeek API）快速验证需求，同时积累标注数据。
2. 数据充足后
   • 微调小型BERT模型替代API，降低成本。
3. 复杂场景
   • LLM处理疑难样本（如反讽），传统模型处理常规样本。

附录

• DeepSeek API文档
• 情感分析数据集资源