7.让大模型直接情感分析，都什么年代了还计算Embedding和余弦夹角呢？

上一篇文章，我们用大语言模型实现了一个用户评论情感分析功能，具体来说就是，调用OpenAI的Embedding接口，分别计算“正面”，“负面”以及用户评论的Embedding向量，然后分别计算用户评论Embedding向量与“正面”/“负面”Embedding向量的余弦夹角，与用户评论最相似的作为最终结果。

通过实验数据表明，大模型在性能上接近甚至超越传统机器学习分类方法，并且，使用大模型不用做特征工程和模型调参。

今天仍然是用户评论情感分析，不过用的是OpenAI的另一个Completion接口，让你见识一下大模型的威力。

使用Completion时需要输入一段Prompt，也就是提示，Completion针对提示内容进行续写，来补全用户对话。

不过，要让大模型针对一段文本只输出“正面“或者“负面”，还需要在Prompt上下一番功夫，要把Prompt设计成某种格式。

需要把两个iPhone评论作为范例输入给大模型，告诉它什么是正面的，什么是负面的。然后，再给他一段新的评论，看看他能否输出正确的答案。

把调用OpenAI Completion接口的代码封装成一个函数。

接下来准备prompt，提示语由三个组成部分。

1. 第一部分是我们给到AI的指令，也就是告诉它要去判断用户评论的情感。

2. 第二部分是按照一个固定格式给它两个例子，一行以“评论：”开头，后面跟着具体的评论，另一行以“情感：”开头，后面跟着这个例子的情感。

3. 第三部分是一段新评论，同样以“评论：”开头跟着我们想要它判定的评论，另一行也以“情感：”开头，不过后面没有内容，而是等着AI给出判定。

看到没，结果还是非常准确的。

在上一篇通过Embedding接口进行情感分析时，我们没有提供任何新样本来训练机器学习模型，就能分类，这一般被称为零样本分类（Zero-Shot Classification）。

今天通过Completion接口进行情感分析时，我们为大模型提供了一个示范，像这种仅提供一个或者少数几个例子，AI就能够举一反三，回答我们的问题，我们称之为少样本学习（Few-Shots Learning） 。