期末作业的代码

（一）基于大模型的情感语义分析（40 分） 大模型本地配置：参考相关网站，使用 Ollama 工具下载并部署了 deepSeek R1 的 1.5B 版本，实现了大模型的本地运行，并通过截图证明部署成功。 Prompt 设计与任务实现： 设计三类提示词，分别用于真假新闻判别、文档情感分析以及结合情感分析的新闻真假判别。 编写代码实现了调用 DeepSeek 模型完成上述任务，并对模型输出进行处理，统计准确率。 结果展示：展示了模型对新闻的预测结果及准确率统计。 （二）基于大模型的 Twitter 主题分析（35 分） 数据准备：从数据源随机抽取 10 条 Twitter 新闻数据，若数据源不存在则生成模拟数据。 数据预处理：对文本进行分词与清洗、去停用词以及词形还原等操作。 模型构建与训练：使用 gensim 构建词典、生成语料库并训练 LDA 模型。 可视化分析： 生成 pyLDAvis 交互图展示主题间距离及关键词分布。 为各主题生成词云图。 结合大模型分析主题内容：根据 LDA 模型得到的主题关键词，模拟大模型生成主题内容描述。 （三）多模态（情感、主题语义）综合预测与分析（20 分） 多模态特征融合策略：采用早期融合策略，将 LDA 主题特征与 VADER 情感分析结果拼接为特征向量，输入 MemoryBank 记忆检索系统。 模型关键参数：明确了样本量、LDA 主题数、记忆检索数量及主题相似度权重等参数取值及说明。 核心代码复现：复现了 MemoryBank 中检索相关记忆的核心代码。 结果展示：展示了文本预处理、LDA 模型训练后的主题关键词、主题特征提取结果以及 MemoryBank 预测的准确率等。