Skip to content

Sentiment Analysis 节点#

使用 Sentiment Analysis 节点分析传入文本数据的情感。

语言模型使用节点选项中的 Sentiment Categories 情感类别 来确定每个项目的情感。

节点参数#

  • Text to Analyze 要分析的文本 定义用于情感分析的输入文本。这是引用输入项目字段的表达式。例如，如果输入来自聊天或消息源，这可能是 {{ $json.chatInput }}。默认情况下，它期望一个 text 字段。

节点选项#

  • Sentiment Categories 情感类别：定义您想要将输入分类为的类别。
    • 默认情况下，这些是 Positive, Neutral, Negative。您可以自定义这些类别以适合您的特定用例，例如 Very Positive, Positive, Neutral, Negative, Very Negative 以进行更细粒度的分析。
  • Include Detailed Results 包含详细结果：启用后，此选项在输出中包含情感强度和置信度分数。请注意，这些分数是由语言模型生成的估计值，是粗略的指标而非精确的测量。
  • System Prompt Template 系统提示模板：使用此选项更改用于情感分析的系统提示。它使用 {categories} 占位符表示类别。
  • Enable Auto-Fixing 启用自动修复：启用后，节点会自动修复模型输出以确保它们符合预期格式。通过向 LLM 发送架构解析错误并要求其修复来实现。

使用说明#

模型温度设置#

强烈建议将连接的语言模型的温度设置为 0 或接近 0 的值。这有助于确保结果尽可能确定性，在多次运行中提供更一致和可靠的情感分析。

语言考虑#

节点的性能可能因输入文本的语言而异。

为了获得最佳结果，请确保您选择的语言模型支持输入语言。

处理大量数据#

在分析大量文本时，考虑将输入分割成较小的块以优化处理时间和资源使用。

迭代优化#

对于复杂的情感分析任务，您可能需要迭代地优化系统提示和类别以获得所需的结果。

使用示例#

基本情感分析#

  1. 将数据源（例如，RSS Feed、HTTP Request）连接到 Sentiment Analysis 节点。
  2. 将"Text to Analyze"字段设置为相关项目属性（例如，用于博客文章内容的 {{ $json.content }}）。
  3. 保持默认的情感类别。
  4. 将节点的输出连接到单独的路径，以不同方式处理积极、中性和消极情感。

自定义类别分析#

  1. 将 Sentiment Categories 更改为 Excited, Happy, Neutral, Disappointed, Angry。
  2. 调整您的工作流程以处理这五个输出类别。
  3. 使用此设置来分析具有更细致情感类别的客户反馈。

相关资源#

查看 n8n 的高级 AI文档。

AI 术语表#

  • completion（完成/补全）: 完成是由 GPT 等模型生成的响应。
  • hallucinations（幻觉）: AI 中的幻觉是指大语言模型（LLM）错误地感知到不存在的模式或对象。
  • vector database（向量数据库）: 向量数据库存储信息的数学表示。与嵌入和检索器一起使用，创建 AI 在回答问题时可以访问的数据库。
  • vector store（向量存储）: 向量存储或向量数据库，存储信息的数学表示。与嵌入和检索器一起使用，创建 AI 在回答问题时可以访问的数据库。