Zero-shot prompting met reviews

Naast het beantwoorden van vragen, het transformeren van tekst en het genereren van nieuwe tekst, kunnen DeepSeek-modellen ook worden gebruikt voor classificatietaken, zoals categorisatie en sentimentanalyse.

In deze oefening ga je aan de slag met DeepSeek’s chatmodellen voor sentimentclassificatie met reviews van een online schoenenwinkel genaamd Toe-Tally Comfortable. Idealiter krijg je resultaten in de vorm van:

1. Reviewtekst = <1-5 beoordeling>
2. Reviewtekst = <1-5 beoordeling>
3. ...

Deze oefening maakt deel uit van de cursus

Werken met DeepSeek in Python

Bekijk cursus

Oefeninstructies

Definieer een prompt om het sentiment van de gegeven uitspraken te classificeren met de cijfers 1 tot 5 (positief naar negatief)— geef nog geen voorbeelden!
Maak een request om deze prompt te sturen naar deepseek-ai/DeepSeek-V3.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

client = OpenAI(api_key="", base_url="https://api.together.xyz/v1")

# Define a multi-line prompt to classify sentiment
prompt = """____. Return no explanations:
1. Unbelievably good!
2. Shoes fell apart on the second use.
3. The shoes look nice, but they aren't very comfortable.
4. Can't wait to show them off!"""

# Create a request to the chat model
response = client.chat.completions.create(
  model="deepseek-ai/DeepSeek-V3",
  messages=[{"role": "user", "content": ____}],
  max_tokens=150
)

print(response.choices[0].message.content)

Code bewerken en uitvoeren