情感分析节点#
使用情感分析节点来分析输入文本数据的情感倾向。
该语言模型会根据节点选项中定义的情感分类来确定每个条目的情感类别。
节点参数#
- 待分析文本 定义需要进行情感分析的输入文本。这是一个引用输入条目字段的表达式。例如，如果输入来自聊天或消息源，可以是
{{ $json.chatInput }}。默认情况下，它期望接收一个text字段。
节点选项#
- 情感分类: 定义您希望将输入分类的类别。
- 默认为
积极、中立、消极。您可以根据具体用例自定义这些类别，例如使用非常积极、积极、中立、消极、非常消极来进行更细粒度的分析。
- 默认为
- 包含详细结果: 启用此选项时，输出中将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，是粗略指标而非精确测量。
- 系统提示模板: 使用此选项可更改用于情感分析的系统提示。它使用
{categories}占位符来表示分类类别。 - 启用自动修正: 启用后，节点会自动修正模型输出以确保符合预期格式。这是通过将模式解析错误发送给LLM并要求其修正来实现的。
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具有确定性，在多次运行中提供更一致可靠的情感分析。
语言注意事项#
节点的性能可能会因输入文本的语言而异。
为了获得最佳效果，请确保您选择的语言模型支持输入文本的语言。
处理大量数据#
当分析大量文本时，建议将输入拆分为较小的块，以优化处理时间和资源使用效率。
迭代优化#
对于复杂的情感分析任务，您可能需要迭代优化系统提示和分类标准，以获得理想的结果。
使用示例#
基础情感分析#
- 将数据源（例如 RSS Feed、HTTP Request）连接到 Sentiment Analysis 节点。
- 将 "Text to Analyze" 字段设置为相关项目属性（例如博客内容使用
{{ $json.content }}）。 - 保持默认的情感分类。
- 将节点的输出连接到不同路径，以便对积极、中性和消极情绪进行差异化处理。
自定义分类分析#
- 将 Sentiment Categories 修改为
Excited, Happy, Neutral, Disappointed, Angry。 - 调整您的工作流以处理这五种输出分类。
- 使用此设置来分析客户反馈，获得更细致的情感分类。
相关资源#
查看 n8n 的高级 AI 文档。
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.