app.py

# 导入必要的库
from transformers import pipeline
from IPython.display import Audio, display
import torch

##########################################
# Step 1：情感分析 - 分析用户评论的情感倾向
##########################################
# 本示例中选择 distilbert-base-uncased-finetuned-sst-2-english 模型用于英文情感分类
sentiment_classifier = pipeline("sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english")

# 示例用户评论（可替换为实际评论）
user_review = "I love the fast delivery, but the product quality could be better."

# 进行情感分析
sentiment_result = sentiment_classifier(user_review)[0]
print("情感分析结果：", sentiment_result)

##########################################
# Step 2：回复生成 - 根据情感生成自动回复
##########################################
# 使用 microsoft/DialoGPT-medium 模型生成回复
reply_generator = pipeline("text-generation", model="microsoft/DialoGPT-medium")

# 根据情感构造 Prompt，本次修改在 prompt 中加入明确的“回复：”提示，
# 以引导模型产生新内容而不是简单重复输入内容
label = sentiment_result['label'].upper()
if "POSITIVE" in label or "LABEL_1" in label:
    prompt = (f"用户评论表达了正面情感：\n评论内容： {user_review}\n"
              f"请给出一段贴心温暖、表达感谢和认可，并让用户感到愉快的回复：\n回复：")
elif "NEGATIVE" in label or "LABEL_0" in label:
    prompt = (f"用户评论表达了负面情感：\n评论内容： {user_review}\n"
              f"请给出一段温柔体贴、安抚用户并表示歉意的回复：\n回复：")
else:
    prompt = f"用户评论： {user_review}\n请给出一段中肯的回复：\n回复："

print("\n生成回复的提示词 (Prompt):")
print(prompt)

# 生成回复文本，设置 truncation=True 避免长度问题，并适当提高采样温度与 top_p 值
generated = reply_generator(prompt, max_length=150, do_sample=True, top_p=0.95, temperature=0.9, truncation=True)

generated_text = generated[0]['generated_text']

# 如果生成结果包含完整 prompt，则剔除
if generated_text.startswith(prompt):
    final_reply = generated_text[len(prompt):].strip()
else:
    final_reply = generated_text.strip()

print("\n生成的回复文本：")
print(final_reply)