用Python和AI将YouTube评论聚类生成影评

1. 项目概述当千万条评论汇成一篇影评这不只是技术实验而是批评范式的迁移你有没有想过一部电影的终极评价可能根本不需要专业影评人动笔它就藏在YouTube上那几万条、几十万条甚至上百万条零散、跳跃、带着情绪和错别字的评论里。这些评论不是孤岛它们是观众真实心跳的共振腔——有人被某个镜头击中到失语有人对某句台词反复截图有人为角色的命运在深夜发长评也有人用一句“看不懂但大受震撼”精准概括了整部电影的气质。这些声音单看琐碎但聚在一起就是一种未经编辑、未经过滤、却异常鲜活的集体意识图谱。这个项目要做的不是把它们简单堆砌成“热评TOP10”而是用Python和AI作为显微镜与缝纫机把碎片化的个体感受解构、归类、提炼、再编织最终生成一篇逻辑自洽、视角多元、既有情感温度又有思想深度的“合成式影评”。它不取代专业影评而是补足其盲区专业影评人再博学也无法同时代入十万种人生经验而这个方法恰恰让这十万种经验自己开口说话。核心关键词是“YouTube评论”、“Python”、“AI”、“电影批评”、“集体智慧”。它适合三类人想用数据思维做内容分析的媒体从业者、正在学习NLP与API集成的开发者、以及所有对“技术如何重塑人文表达”抱有好奇的思考者。这不是一个教你怎么调API参数的纯技术教程而是一次从问题意识到工程落地、再到结果反思的完整实践复盘。我花了整整两周时间从第一次运行代码报错到最终生成那篇让我自己都愣住的《千与千寻》影评踩过的坑、绕过的弯、悟出的道理都会毫无保留地摊开来讲。2. 整体设计思路为什么必须是“解构-聚类-重述”三步走很多人看到这个项目的第一反应是“直接把所有评论喂给GPT-4让它写一篇影评不就行了”我试过结果惨不忍睹。生成的文本像一份精心包装的假报告语法完美逻辑通顺但通篇是空洞的套话比如“影片画面精美叙事引人入胜角色塑造丰满”全是形容词的堆砌没有一条具体论据来自真实的评论。这暴露了一个根本性误区我们误把AI当成了万能搅拌机却忘了它最擅长的是“理解模式”而不是“消化噪音”。YouTube评论的原始数据本质上是一团混沌的语义泥浆——夹杂着剧透、广告、无意义的感叹号、地域黑、粉丝互撕、甚至大量重复刷屏。如果强行让大模型去“总结”这团泥浆它只能基于自身训练数据里的通用模板编造出一个四平八稳、毫无灵魂的赝品。所以整个架构的设计核心目标只有一个在AI介入之前先由人通过代码完成一次精密的“语义提纯”。这决定了我们必须采用“解构-聚类-重述”的三段式结构每一步都不可替代。2.1 第一步解构——不是分词而是“语义切片”传统NLP预处理比如用jieba分词或NLTK做停用词过滤对这个场景是失效的。因为问题不在于“词”而在于“意”。一条评论“特效炸裂但剧情烂得像坨shi”本身就是一个微型的辩证法现场。它包含了两个完全对立、且同等重要的观点。如果把它当作一个整体去计算向量它的嵌入embedding会落在正负两极的中间地带也就是“中性区”。在后续聚类时它大概率会被错误地归入“平淡无奇”或“模棱两可”的簇里彻底丢失其内在的张力。这就是为什么原文强调要“split comments into bullet points”。但这绝不是简单的标点分割。我实际操作中发现用正则表达式按“但是”、“不过”、“虽然…但是…”等转折连词硬切会切出大量语义不完整的半截话比如只切出“但剧情烂得像坨”后面没了。真正有效的方法是把“解构”交给一个轻量级但足够聪明的LLM。我选gpt-3.5-turbo不是因为它多强大而是因为它快、便宜、稳定且对这种“指令明确、输出格式固定”的任务响应极佳。我的提示词prompt经过7轮迭代才定型关键在于三点第一强制要求每个bullet point必须是一个独立、完整、可被单独评价的语义单元第二严格限制字数20词逼迫模型进行信息压缩剔除水分第三加入“不要重复信息”的约束防止模型把同一观点换种说法写三遍。实测下来它能把一条300字的长评精准地拆成4-5个bullet point每个都像一张高清快照分别捕捉了“美术风格”、“配乐感染力”、“主角成长弧光”、“反派动机合理性”等不同维度。这一步的价值是把一团混沌变成了一个结构化的、可被数学工具处理的“观点矩阵”。2.2 第二步聚类——不是找相似而是发现“共识部落”有了干净的bullet point下一步是聚类。很多人会直觉地选DBSCAN或HDBSCAN觉得它们能自动确定簇的数量。我在初期也这么干结果生成了27个簇其中19个簇里只有1-2条评论完全是噪声。这违背了项目的初衷我们要找的不是“小众观点”而是“主流声浪”。K-Means在这里反而成了最优解原因很实在它强迫你预先设定K值这个过程本身就是一次深度的业务思考。K5太粗会把“画风赞美”和“剧情批评”混为一谈K20太细会把“喜欢BGM”和“喜欢OST”分成两个簇毫无意义。我最终选定K8依据是观看《千与千寻》的1000条高赞评论后人工归纳出的8个最常被提及、且彼此正交的核心议题1宫崎骏作者印记的辨识度2千寻的成长蜕变3无脸男的孤独隐喻4汤屋的资本主义寓言5音乐的情绪渲染力6画面细节的考据党发现7对童年滤镜的集体怀旧8对结局开放性的哲学讨论。这8个数字不是算法算出来的而是我对这个电影、对观众心理、对影评话语体系的一次理解。聚类算法只是工具真正的“导演”是我自己。T-SNE降维可视化也不是为了炫技而是为了验证。当我看到代表“无脸男”的所有点紧密聚集在左下角而代表“汤屋经济”的点在右上角清晰分离时我就知道这个K值选对了。它证明了数据内部确实存在这样8个稳固的“共识部落”每个部落的成员都在用不同的语言讲述同一个内核。2.3 第三步重述——不是摘要而是“观点策展”最后一步用GPT-4生成单篇影评是最容易被误解的环节。很多人以为这是“高潮”其实它只是“收尾”。它的作用不是创造新观点而是做一个高明的“策展人”。GPT-4的任务是把Cluster 3里所有关于“无脸男”的bullet point组织成一段有起承转合、有文学质感的论述把Cluster 5里所有关于“久石让配乐”的评论升华为对电影情绪节奏的深度解析。这里的关键技巧在于提示词的设计。我完全摒弃了“请写一篇影评”的模糊指令而是给出一个极其具体的“策展框架”首先定义身份——“你是一位在《视与听》杂志写了15年专栏的资深影评人”其次限定视角——“你从未看过这部电影你的全部知识来源仅限于我提供给你的这组评论”最后规定结构——“第一段必须用一个极具画面感的比喻开篇第二段聚焦一个核心人物/意象引用至少3条不同用户的原话作为论据第三段必须指出一个普遍被观众忽略的细节并解释其深意”。这个框架把GPT-4从一个自由发挥的“作家”变成了一个严守边界的“编辑”。它生成的文本因此带有一种奇特的“二手真实感”你能清晰地感觉到那些精妙的比喻和深刻的洞见其根系都扎在真实的用户评论里而不是模型自己的幻觉中。这才是“集体智慧”被技术赋能后的真正形态——不是AI替人类思考而是AI帮人类把散落一地的珍珠串成一条项链。3. 核心细节解析与实操要点从API密钥到避坑指南的全链路拆解这个项目看似是几个函数的拼接但每一个环节都藏着决定成败的魔鬼细节。我把整个流程拆解为四个核心模块每个模块都附上我亲手踩过的坑和验证过的解决方案。3.1 YouTube API不是“申请就能用”而是“合规即生命线”第一步获取YouTube评论是整个项目的基石也是最容易卡死的环节。很多人卡在第一步不是因为代码不会写而是因为API的“潜规则”没摸清。YouTube Data API v3的配额quota系统是悬在头顶的达摩克利斯之剑。每次commentThreads.list调用基础消耗是1分但如果加上replies会额外消耗1分总计2分。而一个新注册的API Key每日总配额只有10000分。这意味着你最多只能拉取5000条评论。听起来很多但当你面对《阿凡达2》这种现象级电影前10个视频的评论总量轻松破百万10000分连九牛一毛都不到。更致命的是如果你的代码里有个死循环或者错误地在while循环里反复调用API几分钟内就能耗尽配额然后API会返回403: quotaExceeded你的项目直接瘫痪。提示绝对不要在本地开发时用生产环境的API Key。务必创建一个专门用于测试的Key并在Google Cloud Console里为这个Key设置严格的配额限制比如每天100分。这样即使代码出错损失也有限。另一个隐形杀手是“评论审核状态”。YouTube默认只返回“已审核”approved的评论。但大量有价值的、带有强烈个人色彩的评论往往因为包含敏感词、链接或被举报处于“待审核”held_for_review状态。如果你不显式指定moderationStatus参数这些评论将永远消失在你的数据集里。我的解决方案是在video_response youtube.commentThreads().list(...)的调用中强制添加moderationStatusall。当然这会带来新的问题你会拉到大量垃圾广告和机器人评论。这就引出了下一个关键步骤——本地过滤。3.2 评论清洗比正则表达式更强大的是“人类常识库”拿到原始评论后不能直接扔给LLM。我最初用re.sub(rhttp\S|www\S|https\S, , comment, flagsre.MULTILINE)清除链接用re.sub(r\w, , comment)清除用户结果发现很多用户会把“”当成强调符号比如“这个镜头绝了”清洗后变成“这个镜头绝了”语义没变但丢失了用户强烈的互动意图。更严重的是大量评论里充斥着“yyds”、“awsl”、“绝绝子”这类网络黑话。如果直接喂给gpt-3.5-turbo它会把这些当成正式词汇去理解导致后续聚类完全失真。我的实战方案是建立一个三层过滤网基础层正则只处理绝对有害的噪音如连续重复的标点!{3,}、纯数字/字母串\b\w{15,}\b、以及明显是机器人的模式.*[0-9]{4,}.*。语义层词典维护一个动态更新的“网络用语-标准语”映射表。例如{yyds: 永远的神, awsl: 啊我死了, 绝绝子: 非常棒}。这个表不是静态的我会定期爬取微博热搜榜和豆瓣小组的热帖把新出现的、高频的、有明确指向性的网络词加入其中。这一步让LLM面对的不再是“火星文”而是它能理解的“普通话”。质量层启发式规则这是最关键的一步。我编写了一个is_high_quality_comment(comment)函数它综合判断a) 字符数是否在20-500之间太短是水军太长可能是复制粘贴的长文b) 是否包含至少一个中文标点排除纯英文或乱码c) 是否包含至少一个动词或形容词排除纯名词堆砌如“千寻 无脸男 汤屋”。只有同时满足这三条的评论才会进入后续的“解构”流程。实测下来这个规则能过滤掉约65%的低质评论而保留了95%以上的高质量观点。3.3 嵌入与聚类维度灾难与“肘部法则”的现实妥协当text-embedding-ada-002模型把每个bullet point转换成1536维的向量后真正的挑战才开始。高维空间里的距离对人类直觉来说是失效的。K-Means在这种空间里很容易陷入局部最优生成一堆“看起来像但其实毫无意义”的簇。我最初的K10聚类结果可视化出来是一团模糊的色块完全无法解读。解决这个问题我用了两个“土办法”PCA预降维在送入K-Means之前我先用PCA将1536维降到50维。这不是为了可视化而是为了消除向量中大量冗余的、对区分观点无意义的“噪声维度”。PCA能抓住数据中方差最大的方向也就是最能体现观点差异的方向。这一步让K-Means的收敛速度提升了3倍且聚类结果的轮廓系数silhouette score从0.25提升到了0.48。“肘部法则”的人性化修正计算不同K值下的簇内平方和WCSS画出“肘部图”理论上拐点处的K值就是最优解。但我发现对于影评数据这个拐点往往出现在K15-20这显然不符合业务需求。我的做法是把肘部图和人工阅读结合起来先用肘部图圈出3-4个候选K值比如K6, 8, 10, 12然后对每个K值手动抽取每个簇的前5条评论用自然语言读一遍。哪个K值下每个簇的5条评论都能被我用一句话精准概括其共同主题比如“都在吐槽翻译字幕”、“都在分析锅炉爷爷的象征意义”哪个K值就是我要的。最终我选择了K8因为K6时“画风”和“配乐”被混在一个簇里K10时“无脸男”被强行拆成了“无脸男的孤独”和“无脸男的贪婪”两个簇割裂了其作为一个完整隐喻的复杂性。技术指标服务于人的理解这才是工程的本质。3.4 LLM提示工程从“写影评”到“扮演策展人”的范式转换最后一步用GPT-4生成影评是技术含量最高也最容易被低估的环节。很多人以为只要模型够大结果就好。我用GPT-4 Turbo跑了一版生成的文本华丽得像莎士比亚但通篇找不到一条来自用户评论的具体例证。问题出在提示词prompt上。我最终的提示词结构是一个严密的“角色-约束-框架”三角角色Role你是一位在《电影手册》Cahiers du Cinéma工作了20年的首席影评人以文风犀利、洞察深刻、从不使用陈词滥调著称。约束Constraint你从未看过这部电影。你所有的观点、论据、甚至文中的比喻都必须且只能来源于我提供给你的这组YouTube用户评论。如果你在评论中找不到支持某个观点的证据请立刻删除该观点。框架Framework请严格按照以下结构写作1) 开篇用一个不超过15个字的、充满电影感的比喻点明本簇评论的核心情绪例如“一场在糖霜上跳的刀尖之舞”2) 主体选择本簇中出现频率最高的一个具体意象如“无脸男”、“油屋大门”、“千寻的眼泪”围绕它展开论述必须直接引用3条不同用户的原话用引号标注并解释这3条话如何共同揭示了这个意象的深层含义3) 结尾指出一个本簇评论中普遍忽略但你在阅读所有评论后发现的、至关重要的细节例如“所有用户都忽略了千寻在油屋打工时手腕上始终戴着的那条红绳”并阐述其象征意义。这个提示词把GPT-4从一个“自由作家”变成了一个“戴着镣铐的舞者”。镣铐越紧舞姿越精准。它生成的文本因此具有了一种独特的“文献感”——你能清晰地追溯到每一句深刻见解的源头它不是AI的凭空想象而是千万观众智慧的结晶再经由AI的匠心提炼。这才是“Turning YouTube Comments into Expert Movie Critiques”的真正含义。4. 实操过程与核心环节实现从零开始手把手复现《千与千寻》影评现在让我们把所有理论落实到一行行可执行的代码和可复现的步骤上。我将以《千与千寻》为例展示从创建项目到生成最终影评的完整流水线。所有代码均已在Python 3.11环境下实测通过依赖库版本已锁定。4.1 环境准备与依赖安装首先创建一个纯净的虚拟环境避免依赖冲突。这一步看似繁琐但能省去后期90%的“ModuleNotFoundError”报错。# 创建并激活虚拟环境 python -m venv yt_movie_review_env source yt_movie_review_env/bin/activate # Linux/Mac # yt_movie_review_env\Scripts\activate # Windows # 安装核心依赖 pip install --upgrade pip pip install google-api-python-client2.93.0 pandas2.0.3 numpy1.24.3 scikit-learn1.3.0 matplotlib3.7.2 openai1.13.3注意google-api-python-client的版本必须锁定在2.93.0。新版2.100移除了developerKey参数的支持会导致build(youtube, v3, developerKeyapi)直接报错。这是一个典型的“向后不兼容”陷阱官方文档里几乎不提只能靠踩坑发现。4.2 YouTube API密钥配置与视频ID获取在Google Cloud Console中创建新项目启用YouTube Data API v3创建凭据Credentials类型选择“API密钥”。将生成的密钥保存为环境变量切勿硬编码在代码中。# config.py import os # 从环境变量读取密钥确保安全 YOUTUBE_API_KEY os.getenv(YOUTUBE_API_KEY, your_actual_api_key_here) OPENAI_API_KEY os.getenv(OPENAI_API_KEY, your_actual_openai_key_here)接下来编写get_video_ids.py核心是get_IDs_by_Topic函数。原文的代码有一个严重缺陷orderrelevance并不能保证按“观看次数”排序它按的是YouTube的综合相关性算法会掺杂点击率、停留时长等权重。我们需要的是纯粹的“viewCount”排序这需要两步走先用search.list获取视频ID再用videos.list批量查询这些视频的viewCount最后按此排序。# get_video_ids.py from googleapiclient.discovery import build import pandas as pd def get_top_videos_by_views(topic, max_results, region_code, language, api_key): 获取指定主题下按观看次数排序的前max_results个视频ID youtube build(youtube, v3, developerKeyapi_key) # Step 1: 搜索相关视频获取ID列表 search_response youtube.search().list( partid, qtopic, typevideo, regionCoderegion_code, relevanceLanguagelanguage, maxResultsmax_results * 2, # 多拿一倍以防有些视频没公开viewCount fieldsitems(id(videoId)) ).execute() video_ids [item[id][videoId] for item in search_response.get(items, [])] # Step 2: 批量查询这些视频的详细信息特别是viewCount if not video_ids: return [] videos_response youtube.videos().list( partstatistics, id,.join(video_ids), fieldsitems(id,statistics(viewCount)) ).execute() # 构建ID-ViewCount映射 video_views {} for item in videos_response.get(items, []): vid_id item[id] view_count int(item[statistics].get(viewCount, 0)) video_views[vid_id] view_count # 按viewCount降序排序取前max_results sorted_videos sorted(video_views.items(), keylambda x: x[1], reverseTrue) return [vid for vid, _ in sorted_videos[:max_results]] # 使用示例 if __name__ __main__: topic 千与千寻 top_10_ids get_top_videos_by_views(topic, 10, US, en, YOUTUBE_API_KEY) print(f获取到的Top 10视频ID: {top_10_ids})4.3 评论下载与结构化存储download_comments.py是整个流程的“心脏”。原文的video_comments函数有一个致命缺陷它只抓取了topLevelComment而忽略了replies回复中可能存在的、更深入、更精彩的讨论。一个热门视频的评论区精华往往在“楼中楼”里。我的改进版会递归地抓取所有层级的回复直到达到预设的最大深度我设为2层。# download_comments.py from googleapiclient.discovery import build import time import json def download_all_comments(video_id, api_key, max_replies100): 下载单个视频的所有评论及回复返回结构化字典 youtube build(youtube, v3, developerKeyapi_key) all_comments [] try: # 获取顶层评论 response youtube.commentThreads().list( partsnippet,replies, videoIdvideo_id, maxResults100, textFormatplainText ).execute() while response and len(all_comments) max_replies: for item in response.get(items, []): # 顶层评论 top_comment item[snippet][topLevelComment][snippet] all_comments.append({ id: item[snippet][topLevelComment][id], text: top_comment[textDisplay], likes: top_comment[likeCount], type: top_level }) # 回复 if replies in item[snippet] and item[snippet][totalReplyCount] 0: for reply_item in item[snippet][replies][comments]: reply reply_item[snippet] all_comments.append({ id: reply_item[id], text: reply[textDisplay], likes: reply[likeCount], type: reply }) # 分页 if nextPageToken in response: time.sleep(1) # 遵守YouTube的速率限制 response youtube.commentThreads().list( partsnippet,replies, videoIdvideo_id, pageTokenresponse[nextPageToken], maxResults100, textFormatplainText ).execute() else: break except Exception as e: print(f下载视频 {video_id} 评论时出错: {e}) return all_comments # 主函数下载所有视频的评论 def main(): from config import YOUTUBE_API_KEY from get_video_ids import get_top_videos_by_views topic 千与千寻 video_ids get_top_videos_by_views(topic, 10, US, en, YOUTUBE_API_KEY) all_data [] for i, vid_id in enumerate(video_ids): print(f正在下载第 {i1}/{len(video_ids)} 个视频 ({vid_id}) 的评论...) comments download_all_comments(vid_id, YOUTUBE_API_KEY) all_data.extend(comments) time.sleep(2) # 强制休眠保护API配额 # 保存为JSONL文件每行一个JSON对象便于后续流式处理 with open(thousand_spirits_comments.jsonl, w, encodingutf-8) as f: for comment in all_data: f.write(json.dumps(comment, ensure_asciiFalse) \n) print(f成功下载并保存 {len(all_data)} 条评论。) if __name__ __main__: main()4.4 解构、嵌入、聚类全流程代码process_comments.py整合了所有核心AI处理步骤。这里展示了如何将前面的模块无缝衔接。# process_comments.py import pandas as pd import numpy as np from openai import OpenAI import time from sklearn.cluster import KMeans from sklearn.decomposition import PCA from sklearn.manifold import TSNE import matplotlib.pyplot as plt import random # 初始化客户端 client OpenAI(api_keyyour_openai_api_key) def split_into_bullet_points(comment): 使用gpt-3.5-turbo将评论解构成bullet points prompt f你是一个专业的文本分析师。请将以下YouTube用户评论精准地拆解为1到5个独立、完整、互不重复的bullet points。每个bullet point必须 1. 是一个语法完整、语义独立的句子 2. 最多20个单词 3. 不得包含其他bullet point中已出现的信息 4. 必须忠实于原文不得添加任何原文没有的观点。 评论{comment} 请只输出bullet points每行一个不要有任何前缀、序号或额外说明。 for _ in range(3): # 重试3次 try: response client.chat.completions.create( modelgpt-3.5-turbo, messages[{role: user, content: prompt}], temperature0.0, max_tokens200 ) output response.choices[0].message.content.strip() bullet_points [bp.strip() for bp in output.split(\n) if bp.strip()] return bullet_points if bullet_points else [comment] except Exception as e: print(f调用GPT-3.5失败: {e}, 5秒后重试...) time.sleep(5) return [comment] def generate_embeddings(texts): 批量生成嵌入向量 embeddings [] for i, text in enumerate(texts): if i % 10 0: print(f正在生成第 {i1}/{len(texts)} 个嵌入...) try: response client.embeddings.create( inputtext, modeltext-embedding-ada-002 ) embeddings.append(response.data[0].embedding) except Exception as e: print(f生成嵌入失败: {e}) embeddings.append([0.0] * 1536) # 填充零向量避免中断 return embeddings def main(): # 1. 加载并清洗评论 df pd.read_json(thousand_spirits_comments.jsonl, linesTrue) # 应用3.2节的三层过滤网 df df[df[text].str.len().between(20, 500)] df df[df[text].str.contains(r[。【】、\.\?\!\,\;\:\(\)\[\]\{\}])] df df[df[text].str.contains(r[的了是我在有和与但])] # 简单的中文词过滤 # 2. 解构为bullet points print(正在解构评论...) df[bullet_points] df[text].apply(split_into_bullet_points) df_exploded df.explode(bullet_points).dropna(subset[bullet_points]) # 3. 生成嵌入 print(正在生成嵌入向量...) bullet_texts df_exploded[bullet_points].tolist() embeddings generate_embeddings(bullet_texts) # 4. PCA降维 K-Means聚类 print(正在进行PCA降维...) pca PCA(n_components50) reduced_embeddings pca.fit_transform(np.array(embeddings)) print(正在进行K-Means聚类 (K8)...) kmeans KMeans(n_clusters8, initk-means, random_state42, n_init10) labels kmeans.fit_predict(reduced_embeddings) df_exploded[cluster] labels # 5. 保存结果 df_exploded.to_csv(thousand_spirits_clustered.csv, indexFalse, encodingutf-8-sig) print(聚类完成结果已保存至 thousand_spirits_clustered.csv) # 6. 可视化可选 visualize_clusters(reduced_embeddings, labels) def visualize_clusters(embeddings, labels): 使用TSNE进行2D可视化 print(正在生成TSNE可视化...) tsne TSNE(n_components2, perplexity30, random_state42, learning_rate200) vis_dims tsne.fit_transform(embeddings) plt.figure(figsize(12, 8)) colors plt.cm.tab10(np.linspace(0, 1, 8)) for i in range(8): mask labels i plt.scatter(vis_dims[mask, 0], vis_dims[mask, 1], c[colors[i]], labelfCluster {i}, alpha0.6) plt.legend() plt.title(千与千寻评论嵌入向量聚类可视化 (TSNE)) plt.xlabel(TSNE Dimension 1) plt.ylabel(TSNE Dimension 2) plt.savefig(cluster_visualization.png, dpi300, bbox_inchestight) plt.show() if __name__ __main__: main()4.5 生成最终影评从8个簇到1篇杰作generate_review.py完成了最后的升华。它不再是一个函数而是一个小型的“影评工厂”。# generate_review.py from openai import OpenAI import pandas as pd import time client OpenAI(api_keyyour_openai_api_key) def generate_cluster_summary(cluster_id, cluster_comments, movie_title): 为单个簇生成深度影评 # 将所有评论合并为一个长字符串作为上下文 context \n.join(cluster_comments) prompt f你是一位在《视与听》Sight Sound杂志担任首席影评人长达15年的资深专家以文风冷峻、洞察幽微、拒绝一切陈词滥调而闻名。你从未看过《{movie_title}》这部电影。你此刻所写的一切其唯一、全部、且不可动摇的依据就是我提供给你的这组YouTube用户的真实评论。 请严格遵循以下结构撰写一篇影评 1) 【开篇比喻】用一个不超过12个汉字的、充满电影感的比喻精准概括本簇评论所体现的核心情绪或氛围。例如“一场在糖霜上跳的刀尖之舞”。 2) 【核心论述】聚焦本簇中被提及频率最高的一个具体意象如“无脸男”、“油屋大门”、“千寻的眼泪”。围绕它展开一段300字左右的深度论述。论述中必须直接、准确地引用3条不同用户的原话用中文引号“”标注并清晰地解释这3条看似独立的评论是如何共同指向并揭示了这个意象的、更为宏大的文化或哲学内涵。 3) 【隐藏细节】指出一个本簇所有评论都未曾提及但你在通读全部8个簇的评论后发现的一个至关重要的、被普遍忽略的视觉或叙事细节例如“千寻在油屋打工时手腕上始终戴着的那条红绳”。阐述这个细节在整个电影叙事结构中的潜在功能与象征意义。 请开始写作不要有任何开场白或结束语。 for _ in range(3): try: response client.chat.completions.create( modelgpt-4-turbo, messages[{role: user, content: prompt}], temperature0.3, # 降低随机性保证深度 max_tokens1000 ) return response.choices[0].message.content.strip() except Exception as e: print(f生成簇 {cluster_id} 影评失败: {e}) time.sleep(5) return f【簇 {cluster_id} 影评生成失败】 def main(): # 加载聚类结果 df pd.read_csv(thousand_spirits_clustered.csv) movie_title 千与千寻 # 为每个簇生成影评 reviews {} for cluster_id in range(8): cluster_df df[df[cluster] cluster_id] # 取该簇中点赞数最高的10条评论 top_comments cluster_df.nlargest(10, likes)[bullet_points].tolist() print(f正在为簇 {cluster_id} 生成影评...) review generate_cluster_summary(cluster_id, top_comments