ChatGPT可实现四类舆情分析：一、结构化提示零样本分类；二、Embedding+余弦相似度量化打分；三、JSON格式多维度细粒度解析；四、规则词典混合增强校验。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您希望借助ChatGPT对用户评论进行情感倾向判断，例如识别一段文字是正面、负面还是中性评价，则需依托其语言理解能力与提示工程策略。以下是多种可直接实施的舆情分析方法：
本文运行环境：MacBook Pro M3，macOS Sequoia。
一、基于结构化提示词的零样本分类
该方法不依赖训练数据，仅通过精心设计的系统指令与输入文本，引导模型输出标准化情感标签。ChatGPT在上下文理解与指令遵循方面具备强泛化能力，适用于快速批量判别。
1、在ChatGPT对话框中输入系统角色设定：“你是一个专业的情感分析引擎，请严格按以下格式输出：仅返回一个词——‘正面’、‘负面’或‘中性’，不得添加任何解释、标点或额外字符。”
2、紧接着输入待分析评论，例如：“这个App崩溃频繁，客服响应慢，完全不推荐。”
3、提交后提取模型首行输出结果，即为判定标签。
二、使用Embedding+余弦相似度比对
该方法将文本映射为高维向量，通过计算其与预设情感锚点（如“好评”“差评”）向量的空间距离，量化情感倾向。适用于需连续得分而非离散分类的场景。
1、调用OpenAI Embedding API，获取目标评论的向量表示：text-embedding-3-small
2、预先调用同一API获取两个基准向量：“好评”和“差评”的嵌入向量
3、分别计算评论向量与两个基准向量的余弦相似度，得到sim_pos与sim_neg。
4、计算情感分值：score = sim_pos − sim_neg
三、多维度细粒度情感解析
该方法突破简单三分类限制，要求模型识别情感对象、强度、极性及潜在矛盾点，适合深度舆情洞察。依赖模型对复合句式与隐含语义的解析能力。
1、设定明确输出模板：“请按JSON格式输出：{‘target’: ‘提及对象’, ‘polarity’: ‘正面/负面/中性’, ‘intensity’: 0.0–1.0, ‘conflict’: true/false}”
2、输入含对比结构的评论：“前台服务热情，但房间隔音太差，洗澡时能听见隔壁说话。”
3、接收并解析返回的JSON，提取各字段用于归类统计。
四、结合规则词典的混合增强法
该方法将ChatGPT生成能力与人工构建的情感词典联动，在模型输出基础上叠加关键词命中校验，提升关键实体判断的鲁棒性，尤其适用于行业术语密集场景。
1、准备本地词典文件，包含领域正向词（如“秒回”“无广告”）、负向词（如“闪退”“乱扣费”）及其权重。
2、向ChatGPT提交指令：“请先给出情感总体判断，再列出原文中匹配以下词典的全部词汇及位置：[此处粘贴5–8个核心词]”
3、程序化提取模型回复中的匹配项，加权汇总后与模型原始判断交叉验证。
