Zum Inhalt

Sentiment Analysis Node#

Verwenden Sie den Sentiment Analysis Node, um die Stimmung eingehender Textdaten zu analysieren.

Das Sprachmodell verwendet die Sentiment-Kategorien in den Node-Optionen, um die Stimmung jedes Elements zu bestimmen.

Node-Parameter#

  • Zu analysierender Text definiert den Eingabetext für die Stimmungsanalyse. Dies ist ein Ausdruck, der auf ein Feld aus den Eingabeelementen verweist. Dies könnte beispielsweise {{ $json.chatInput }} sein, wenn die Eingabe aus einem Chat oder einer Nachrichtenquelle stammt. Standardmäßig wird ein text-Feld erwartet.

Node-Optionen#

  • Sentiment-Kategorien: Definieren Sie die Kategorien, in die Sie Ihre Eingabe klassifizieren möchten.
    • Standardmäßig sind dies Positiv, Neutral, Negativ. Sie können diese Kategorien an Ihren spezifischen Anwendungsfall anpassen, z. B. Sehr Positiv, Positiv, Neutral, Negativ, Sehr Negativ für eine detailliertere Analyse.
  • Detaillierte Ergebnisse einschließen: Wenn diese Option aktiviert ist, enthält sie Stimmungsstärke- und Konfidenzwerte in der Ausgabe. Beachten Sie, dass diese Werte Schätzungen sind, die vom Sprachmodell generiert werden, und eher grobe Indikatoren als präzise Messungen darstellen.
  • System Prompt Template: Verwenden Sie diese Option, um den System-Prompt zu ändern, der für die Stimmungsanalyse verwendet wird. Es verwendet den Platzhalter {categories} für die Kategorien.
  • Auto-Fixing aktivieren: Wenn diese Option aktiviert ist, behebt der Node automatisch Modellausgaben, um sicherzustellen, dass sie dem erwarteten Format entsprechen. Dies geschieht, indem der Schema-Parsing-Fehler an das LLM gesendet und es aufgefordert wird, ihn zu beheben.

Anwendungshinweise#

Modelltemperatur-Einstellung#

Es wird dringend empfohlen, die Temperatur des verbundenen Sprachmodells auf 0 oder einen Wert nahe 0 einzustellen. Dies trägt dazu bei, dass die Ergebnisse so deterministisch wie möglich sind und eine konsistentere und zuverlässigere Stimmungsanalyse über mehrere Läufe hinweg ermöglicht wird.

Sprachliche Überlegungen#

Die Leistung des Nodes kann je nach Sprache des Eingabetextes variieren.

Für beste Ergebnisse stellen Sie sicher, dass Ihr ausgewähltes Sprachmodell die Eingabesprache unterstützt.

Verarbeitung großer Mengen#

Wenn Sie große Textmengen analysieren, sollten Sie die Eingabe in kleinere Teile aufteilen, um die Verarbeitungszeit und die Ressourcenauslastung zu optimieren.

Iterative Verfeinerung#

Bei komplexen Stimmungsanalyseaufgaben müssen Sie möglicherweise den System-Prompt und die Kategorien iterativ verfeinern, um die gewünschten Ergebnisse zu erzielen.

Beispielhafte Nutzung#

Grundlegende Stimmungsanalyse#

  1. Verbinden Sie eine Datenquelle (z. B. RSS-Feed, HTTP-Anfrage) mit dem Sentiment Analysis Node.
  2. Setzen Sie das Feld "Zu analysierender Text" auf die relevante Element-Eigenschaft (z. B. {{ $json.content }} für Blog-Post-Inhalte).
  3. Behalten Sie die Standard-Sentiment-Kategorien bei.
  4. Verbinden Sie die Ausgaben des Nodes mit separaten Pfaden, um positive, neutrale und negative Stimmungen unterschiedlich zu verarbeiten.

Benutzerdefinierte Kategorieanalyse#

  1. Ändern Sie die Sentiment-Kategorien in Begeistert, Glücklich, Neutral, Enttäuscht, Wütend.
  2. Passen Sie Ihren Workflow an, um diese fünf Ausgabekategorien zu verarbeiten.
  3. Verwenden Sie dieses Setup, um Kundenfeedback mit differenzierteren emotionalen Kategorien zu analysieren.

Verwandte Ressourcen#

View Localmind Automate's Advanced AI documentation.

AI glossary#

  • completion: Completions are the responses generated by a model like GPT.
  • hallucinations: Hallucination in AI is when an LLM (large language model) mistakenly perceives patterns or objects that don't exist.
  • vector database: A vector database stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.
  • vector store: A vector store, or vector database, stores mathematical representations of information. Use with embeddings and retrievers to create a database that your AI can access when answering questions.