大语言模型如何“读懂”情绪？LangChain+千问实现情感分析系统

最新推荐文章于 2025-06-03 21:31:47 发布

爱喝白开水a

最新推荐文章于 2025-06-03 21:31:47 发布

阅读量759

点赞数 18

文章标签：人工智能大语言模型 AI AI大模型大模型 langchain Qwen

本文链接：https://blog.csdn.net/python123456_/article/details/148118735

版权

使用LangChain与Ollama实现情感分析智能体：从0到 1实现

情感分析作为NLP的重要应用之一，广泛应用于社交媒体分析、舆情监控、产品评价等领域。情感分析的目标是通过分析文本内容，判断其中的情感倾向（正向、负向或中性），并提供相应的置信度和推理依据。

本文将详细介绍如何利用LangChain框架和Ollama模型实现一个情感分析智能体。通过代码解析和功能分析，我们将深入探讨其实现原理，并结合实际案例展示其应用效果。

完整代码放在下方二维码了，免费领取

实现目标

构建一个基于LangChain框架的情感分析智能体，能够对输入文本进行情感分类，并返回结构化的分析结果。具体功能包括：

• 情感分类：将输入文本的情感倾向分为“正向”、“负向”或“中性”。
• 置信度评估：提供模型对分类结果的置信度评分，范围为0到1。
• 推理过程：生成模型对文本情感的分析推理过程，帮助用户理解分类结果的依据。

实现这一目标的核心工具包括：

• LangChain：一个模块化、可扩展的NLP框架，支持多种模型和功能的快速集成。
• Ollama：一个轻量级的LLM（大语言模型）框架，支持本地部署和自定义模型。
• Pydantic：用于数据结构化的库，确保输出结果的格式统一和可验证。

先看下效果

代码分析

导入库与模型初始化

from langchain_community.llms import Ollama
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser, PydanticOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
from typing import Literal

model = Ollama(model="qwen2.5:7b", base_url="http://192.168.1.1:11434")

Ollama：这里导入了Ollama模型，并指定模型名称为“qwen2.5:7b”。需要注意的是，base_url指向本地Ollama服务的地址，这意味着模型需要在本地运行。
LangChain组件：导入了ChatPromptTemplate用于构建提示模板，StrOutputParser和PydanticOutputParser用于处理模型输出。

数据结构定义

为了确保情感分析的结果能以统一且可验证的结构返回，我们使用Pydantic库定义了一个数据模型来存储情感分析的输出。

class SentimentAnalysisResult(BaseModel):
    """情感分析结果数据结构化定义"""
    sentiment: Literal["正向", "负向", "中性"] = Field(
        ..., description="情感分类结果"
    )
    confidence: float = Field(
        ..., description="模型置信度，范围0-1", ge=0, le=1
    )
    reasoning: str = Field(
        ..., description="模型的分析推理过程"
    )

SentimentAnalysisResult：这是一个基于Pydantic的模型类，用于定义情感分析结果的结构。

• sentiment：情感分类结果，取值范围为“正向”、“负向”或“中性”。
• confidence：模型对分类结果的置信度，范围为0到1。
• reasoning：模型的推理过程，用于解释分类结果。

情感分析智能体类

我们定义了一个情感分析智能体类，负责初始化模型、处理用户输入并返回分析结果。

class SentimentAnalysisAgent:
    def__init__(self, model_name="llama3"):
        """初始化情感分析智能体"""
        self.model_name = model_name
        self.parser = PydanticOutputParser(pydantic_object=SentimentAnalysisResult)
        # 构建系统提示模板
        self.prompt_template = ChatPromptTemplate.from_messages([
            ("system", """你是一个专业的情感分析AI助手。请严格遵循以下规则：
1. 分析用户输入的文本情感
2. 返回JSON格式：{{"sentiment":"正向/中性/负向", "confidence":0.0-1.0, "reasoning":"分析原因"}}
3. 置信度保留3位小数
4. 必须使用中文进行推理"""),
            ("user", "待分析文本：{input}")
        ])
        # 构建处理链
        self.chain = (
            self.prompt_template
            | model  # 绑定Ollama模型
            | StrOutputParser()  # 获取原始字符串输出
        )

在初始化情感分析智能体时，我们指定了模型的名称，并通过ChatPromptTemplate构建了一个聊天提示模板，用于向Ollama模型提供用户输入的文本。PydanticOutputParser用于将模型的输出解析成SentimentAnalysisResult数据结构。

分析方法

def analyze(self, text: str) -> SentimentAnalysisResult:
    """执行情感分析"""
    # 执行处理链
    raw_output = self.chain.invoke({"input": text})
    try:
        # 解析模型输出
        return self.parser.parse(raw_output)
    except Exception as e:
        # 错误处理（可根据需要扩展）
        raise ValueError(f"解析失败: {e}\n原始输出: {raw_output}")

在分析过程中，我们通过执行处理链来生成原始输出，并将其解析为结构化的情感分析结果。如果解析过程中出现错误，将抛出异常，供开发者排查。

使用示例

if __name__ == "__main__":
    # 初始化智能体（首次使用需要加载模型，可能需要较长时间）
    agent = SentimentAnalysisAgent(model_name="llama3")
    # 测试用例
    test_cases = [
        "我刚刚拿到了梦寐以求的录取通知书了，太开心了！",
        "这家餐厅的服务糟糕透顶，再也不会来了。",
        "根据最新数据统计，本市人口达到1000万。",
        "这个产品既有优点也有缺点，需要进一步评估。"
    ]
    # 执行分析
    for text in test_cases:
        print(f"分析文本：{text}")
        try:
            result = agent.analyze(text)
            print(f"情感：{result.sentiment}")
            print(f"置信度：{result.confidence:.3f}")
            print(f"推理：{result.reasoning}\n")
        except Exception as e:
            print(f"错误：{str(e)}\n")

在示例中，我们对几个测试用例执行情感分析，并输出分类结果、置信度和推理过程。