Langchian - 实现文本分类实际应用

文本分类是 自然语言处理 领域中的一个重要任务，旨在将文本数据自动归类到预定义的类别中。 它是实现信息检索、智能推荐、情感分析等应用的基础技术之一。

以下程序实现了 文本分类任务，适用于：

• 社交媒体情绪分析
• 客服对话情感识别
• 多语言内容自动检测
• 用户评论质量评估（是否攻击性强）

1.加载配置并初始化大模型

import os
from dotenv import load_dotenv
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from pydantic.v1 import BaseModel, Field

load_dotenv()
llm = ChatOpenAI(
    model=os.getenv("MODEL"),
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("BASE_URL")
)

2.定义文本分类的数据模型

定义一个 TextClassification 模型，用于指定输出格式：
sentiment：情感倾向（如“愤怒”、“高兴”等）
aggressiveness：攻击性评分（1~10 分）
language：识别使用的语言（如“中文”、“英语”）

class TextClassification(BaseModel):
    sentiment: str = Field(description="文本的情感")
    aggressiveness: int = Field(description="描述文本的攻击性，数字越大表示越攻击性")
    language: str = Field(description="文本使用的语言")

3.构建提示模板

定义一个系统提示，要求模型只提取与 TextClassification 相关的信息。
{input} 是占位符，将在运行时被实际文本替换。

prompt = ChatPromptTemplate.from_template(
    """
    从以下段落中提取所需信息。
    只提取'TextClassification'类中提到的属性。
    段落：
    {input}
    """
)

4.构建执行链并执行输出

使用 LangChain 的管道操作符 | 构建一个链式流程。
with_structured_output 强制模型输出符合 TextClassification 结构的 JSON 数据。

调用链处理该文本，并将结果解析为 TextClassification 类型对象。

chain = prompt | llm.with_structured_output(schema=TextClassification)


input_text = "你这个小孩儿，太不懂事了，做出的事情实在让我生气！"
result: TextClassification = chain.invoke({'input': input_text})
print(result)

执行结果：

sentiment='negative' aggressiveness=3 language='Chinese'

如果你需要扩展支持更多分类维度（如主题、意图识别等），只需在 TextClassification 模型中添加字段即可。

class TextClassification(BaseModel):
    """
        定义一个Pydantic的数据模型，未来需要根据该类型，完成文本的分类
    """
    # 文本的情感倾向，预期为字符串类型
    sentiment: str = Field(..., enum=["happy", "neutral", "sad"], description="文本的情感")

    # 文本的攻击性，预期为1到5的整数
    aggressiveness: int = Field(..., enum=[1, 2, 3, 4, 5], description="描述文本的攻击性，数字越大表示越攻击性")

    # 文本使用的语言，预期为字符串类型
    language: str = Field(..., enum=["spanish", "english", "french", "中文", "italian"], description="文本使用的语言")


input_text = "Estoy increiblemente contento de haberte conocido! Creo que seremos muy buenos amigos!"

执行结果：

sentiment='happy' aggressiveness=1 language='spanish'