用 AI 读懂网友的健康情绪：搭建你自己的舆情分析助手

网罗开发 （小红书、快手、视频号同名）

  大家好，我是 展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者：《ESP32-C3 物联网工程开发实战》
图书作者：《SwiftUI 入门，进阶与实战》
超级个体：COC上海社区主理人
特约讲师：大学讲师，谷歌亚马逊分享嘉宾
科技博主：华为HDE/HDG

我的博客内容涵盖广泛，主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告，同时也会提供产品优缺点分析、横向对比，并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲：您的前沿技术领航员
👋 大家好，我是展菲！
📱 全网搜索“展菲”，即可纵览我在各大平台的知识足迹。
📣 公众号“Swift社区”，每周定时推送干货满满的技术长文，从新兴框架的剖析到运维实战的复盘，助您技术进阶之路畅通无阻。
💬 微信端添加好友“fzhanfei”，与我直接交流，不管是项目瓶颈的求助，还是行业趋势的探讨，随时畅所欲言。
📅 最新动态：2025 年 3 月 17 日
快来加入技术社区，一起挖掘技术的无限潜能，携手迈向数字化新征程！

摘要

公共健康话题在社交媒体上随时都有“爆点”，但靠人工去追踪这些动态实在太慢了。有没有可能用 AI 来帮我们盯着这些内容，自动分析情绪、提取话题，还能画趋势图看看“热”在哪儿？这篇文章就来带你一步步用 LangChain + OpenAI（或 DeepSeek）搭建一个“AI 舆情雷达”，快速识别微博、公众号等平台上的健康相关话题，感知情绪走向，还能自动可视化趋势变化。

引言

做公益或者公共服务类项目时，常常会需要了解群众对某个健康议题的看法，比如“疫苗副作用”、“心理健康问题”、“癌症治疗骗局”等等。但是想要快速分析这些话题，不但需要收集数据，还要分析这些评论到底是正向的、负向的，甚至要判断有没有造谣、偏激言论。

这时候 AI 就可以派上大用场了，我们可以用自然语言处理模型加一点点逻辑和脚本，让它像个小助手一样，帮我们扫清这些杂乱无章的舆情信息。

整体方案设计

我们要实现的目标是：

• 自动抓取社交媒体上的健康话题内容（可用模拟文本或调用平台 API）

• 用大模型做话题提取、情感分析

• 整理分析结果并用图表可视化

• 最终输出一份“健康舆情简报”

我们会使用的技术栈包括：

• Python 3.10+

• LangChain

• OpenAI 或 DeepSeek（API 接入）

• Matplotlib（数据可视化）

• Pandas（数据处理）

• Streamlit（可选，用来快速部署成 Web 页面）

搭建项目环境

安装依赖

pip install langchain openai pandas matplotlib streamlit

如果你用的是 DeepSeek，可以替换 openai 部分，接入它的 API 即可。

核心功能实现

模拟数据抓取（或调用真实微博/公众号 API）

# mock_social_posts.py
mock_posts = [
    "今天看到一个关于疫苗后遗症的帖子，好担心！",
    "我觉得现在的心理咨询机构有点坑人……",
    "最近频繁看到关于HPV疫苗的宣传，有点反感了",
    "刚做完体检，医生说要注意高血压问题，吓到我了",
    "癌症防治宣传周感觉还挺有意义的，希望大家重视"
]

调用大模型提取话题+情感

# ai_analysis.py
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from mock_social_posts import mock_posts

llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")  # 或 deepseek-chat

template = """
你是一名公共健康舆情分析专家。请帮我从下面的社交媒体内容中：
1\. 提取出提到的“健康话题”；
2\. 判断整体情感（积极、中立、消极）；
3\. 简要说明理由。

内容如下：{content}
"""

prompt = ChatPromptTemplate.from_template(template)

def analyze_post(content):
    chain = prompt | llm
    result = chain.invoke({"content": content})
    return result.content

批量处理并结构化结果

# batch_analysis.py
import pandas as pd
from ai_analysis import analyze_post
from mock_social_posts import mock_posts

results = []

for post in mock_posts:
    output = analyze_post(post)
    print("原文：", post)
    print("AI分析结果：", output)
    results.append({"原文": post, "AI分析": output})

df = pd.DataFrame(results)
df.to_csv("舆情分析结果.csv", index=False)

情感趋势图表可视化

# visualize.py
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("舆情分析结果.csv")

# 简单根据关键词判断情绪（实际可用 LLM 输出结果分类）
def get_sentiment(text):
    if "积极" in text:
        return "Positive"
    elif "消极" in text:
        return "Negative"
    else:
        return "Neutral"

df["情绪倾向"] = df["AI分析"].apply(get_sentiment)

sentiment_counts = df["情绪倾向"].value_counts()

sentiment_counts.plot(kind="bar", title="健康话题情感分布")
plt.xlabel("情感类别")
plt.ylabel("帖子数量")
plt.tight_layout()
plt.savefig("sentiment_chart.png")
plt.show()

可视化部署（可选）

用 Streamlit 可以把整个过程变成一个在线小工具，几行代码就能搞定：

# app.py
import streamlit as st
import pandas as pd

df = pd.read_csv("舆情分析结果.csv")

st.title("AI 健康舆情分析小工具")
st.write(df)

st.image("sentiment_chart.png", caption="情感趋势图")

运行命令：

streamlit run app.py

QA 环节

Q：可以接入真实微博 API 吗？

A：当然可以！可以使用 新浪微博开放平台 或爬虫抓取，文章中用的是模拟数据主要是为了简单演示逻辑。

Q：大模型调用会不会很慢？

A：如果只分析几十条内容是没问题的，超过几百条建议异步处理或批量发送。如果你是用 DeepSeek，也支持并发请求。

Q：怎么让分析更准确？

A：可以把 prompt 拆成两个阶段：先提话题，再提情绪；或者加 few-shot 示例让模型学得更好。

总结

这篇文章咱们从最初的“社交平台太吵，信息抓不住”，一步步搭出了一个 AI 帮忙做舆情分析的小工具，能分析情绪、提取话题，还能画趋势图。虽然只是一个小项目，但它的可扩展性很强，不管是要做公益传播、媒体监控、公共健康响应，它都能派上用场。

参考资料

• LangChain 官方文档

• OpenAI API

• DeepSeek