使用chatgpt进行文本分类指令 如何运用 ChatGPT 进行金融文本情感分析？

作为一款由 训练的大型语言模型， 对中文文本的情绪判断能力非常出色。它通过预先处理大量的中文文本，学习了人类的语言表达方式，以及对不同话题的积极、消极、中性的语气评价。这使得 具有较高的准确率和可靠性，在情绪判断方面具有显著的优势。通过使用 ，我们可以更好地了解中文文本中隐含的情感倾向。

本文旨在简单测试 对中文金融文本情感分析的能力，探索 能否帮助我们更高效地完成特定的文本分析任务，主要分为直接输入文本判断情感、在 辅助下撰写代码两种形式来测试其对金融文本情感分析能力。

辅助代码

首先，询问 如何进行金融文本情感分析，得出了以下步骤：

1. 收集数据：收集你感兴趣的金融文本数据，例如新闻、社交媒体评论、财报等。

2. 数据清洗和预处理：清洗数据以去除无用信息和噪声，例如 HTML 标记和停用词。预处理数据以提高模型的准确性，例如标记化、词干提取和词向量化。

3. 情感分析：使用情感分析算法来确定每个文本段落的情感倾向。情感分析可以是基于规则的，例如使用情感词典和规则，也可以是基于机器学习的，例如使用支持向量机、朴素贝叶斯或深度学习算法。输出可以是二元情感（正面/负面）或多元情感（例如高兴、悲伤、愤怒等）。

4. 可视化结果：将情感分析结果可视化，例如制作词云图、热力图、情感趋势图等，以便更好地理解数据。

我们按照 的指引一一开展工作：

从公开的 金融文本数据集获得金融新闻数据集样本，提取 title 列进行下一步分析。

于是接着询问数据清洗与情感分析的相关代码，得到了代码反馈。简单浏览代码后，发现这个代码并不适用于我们的测试，原因在于这个代码中提及了情感标签“label”，将样本分割为训练集和测试集进行有监督的学习。然而我们的样本并不具备情感标签，需要开展无监督学习，因此需要进一步追问无监督学习的流程。

给出的答复为：

如果您的数据集没有情感标签，那么您需要使用一些方法来生成这些标签。以下是一些常用的方法：

人工标注：您可以找一些人工标注员来手动标注每个文本的情感类别。这种方法是最准确的，但也是最耗时的。

基于词典的方法：您可以使用情感词典，将每个文本中出现的情感词与情感词典中的词进行匹配，并统计出每个文本中正向情感词和负向情感词的数量，然后根据数量大小判断该文本的情感类别。这种方法比较简单，但是可能会因为情感词库的局限性而产生误判。

机器学习方法：您可以使用一些机器学习算法，例如朴素贝叶斯、支持向量机、神经网络等，来训练一个情感分类器。训练的数据可以是已经被人工标注好情感类别的数据，或者使用情感词典生成的数据。这种方法相比前两种方法更加普适性和灵活性，但是需要更多的计算资源和技术支持。

需要注意的是，无论使用何种方法生成情感标签，都需要在生成标签的过程中保证标注质量和标注准确性。

我们选择基于词典的方法进行情感标注，选择互联网上公开的情感词典（Fuwei Jiang, Lee, , and Guofu Zhou.“ and Stock ” of 132(1), 2019,126-149）开展分析，该词典具有积极情感词和消极情感词两类。

文本信息准备就绪后，给 发送指令获得分析代码：

运行代码后，并未得到理想的结果。原因在于生成的代码在分词时采用了英文文本的分词规则，即把空格作为标记来划分出每一个单词，并未考虑到中文文本的实际情况。从而这段代码并不能将中文文本进行分词，也就不能与情感词典进行匹配。

本着 all in one 的原则，我们继续询问 如何解决这个问题。从答复中我们获得了可靠的答案，运用 jieba 分词包替换原先的分词代码即可。

但结果仍不理想，排查原因后发现是情感词典的读取环节出了问题， 生成的代码未能去除字符串两端的换行符（n），进一步追问优化代码进行替换。

经过几轮修改后，我们最终得到了情感分类结果，绘制可视化图表查看分类结果：

直接判断

接下来，我们运用 的大型语言模型能力，直接将文本输入聊天框询问分类结果。简单比较语言模型生成的结果与词典法计算的结果，二者均出现了判断错误的情况。

例如，对“中信资本旗下逾 30 亿元私募产品踩雷 投资人应如何理性维权？”这则标题的判断，人工判断倾向于认为这则新闻是中性偏消极的情感色彩， 认为其为 ，词典法认为其为 ，此时 的判断会更准确一些。对“喧嚣后的困境：自动驾驶在现实挑战前踩刹车”这则标题，人工判断会认为消极色彩更重， 认为其为 ，词典法认为其为 ，此时词典法的判断更加准确。

最后总结利用 进行金融文本情感分析的两种方式的优劣：

直接询问： 作为大型语言模型，对中文金融文本情感的判断具有一定的能力，使用起来较为简单，只需要输入要求和文本即可。最后的结果仍然需要人工复核，黑箱般的使用方式难以解释结果的输出原理。

辅助代码：要求对话人具备识别 答复中不可靠的部分，有的放矢进行多轮对话优化。可以帮助缺乏基础的人快速写出代码，但 debug 的工作仍然离不开人的判断与干预。

无论是直接询问还是辅助代码，基于概率生成的答复都不是完全准确的，但也足够惊艳， 为信息技术小白提供了一条便捷的学习路径，大型语言模型的发展带来如此深刻的影响值得人们欣喜。

因为公众号平台更改了推送规则。如果你不想错过内容，记得点下“赞”和“在看”，这样，每次新文章推送，就会第一时间出现在你的订阅号列表里了~