Zero-shot prompting z recenzjami
Modele DeepSeek nie tylko odpowiadają na pytania, przekształcają tekst i generują nowe treści — świetnie sprawdzają się też w zadaniach klasyfikacyjnych, takich jak kategoryzacja czy analiza sentymentu.
W tym ćwiczeniu użyjesz DeepSeeka w trybie czatu do klasyfikacji sentymentu recenzji ze sklepu internetowego z obuwiem o nazwie Toe-Tally Comfortable. Oczekiwany format wyników wygląda następująco:
1. Tekst recenzji = <ocena 1-5>
2. Tekst recenzji = <ocena 1-5>
3. ...
To ćwiczenie jest częścią kursu
Praca z DeepSeek w Pythonie
Instrukcje do ćwiczenia
- Zdefiniuj
prompt, który sklasyfikuje sentyment podanych opinii, używając liczb od1do5(od pozytywnego do negatywnego) — na razie nie podawaj żadnych przykładów! - Wyślij ten prompt do modelu
deepseek-ai/DeepSeek-V4-Pro.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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-V4-Pro",
messages=[{"role": "user", "content": ____}],
max_tokens=500
)
print(response.choices[0].message.content)