تحلیل احساسات (Sentiment Analysis) نود#
از نود تحلیل احساسات برای تحلیل و ارزیابی احساس موجود در متن ورودی استفاده کنید.
مدل زبانی با استفاده از دسته‌های احساسات در تنظیمات نود، احساس هر مورد را تعیین می‌کند.
پارامترهای نود#
- متن برای تحلیل: متن ورودی برای تحلیل احساسات را تعریف می‌کند. این یک عبارت است که به فیلد خاصی از آیتم‌های ورودی ارجاع می‌دهد. برای مثال، ممکن است
{{ $json.chatInput }}باشد اگر ورودی از منبع گفتگوی یا پیام باشد. به طور پیش‌فرض، انتظار می‌رود که فیلدtextوجود داشته باشد.
گزینه‌های نود#
- دسته‌های احساسات: دسته‌هایی که می‌خواهید ورودی خود را بر اساس آنها طبقه‌بندی کنید را تعریف می‌کند.
- به طور پیش‌فرض، این‌ها
مثبت، خنثی، منفیهستند. می‌توانید این دسته‌ها را مطابق با نیازهای خاص خود سفارشی کنید، مانندخیلی مثبت، مثبت، خنثی، منفی، خیلی منفیبرای تحلیل دقیق‌تر. - گزارش نتایج دقیق: فعال کردن این گزینه، قدرت احساسات و نمره‌های اطمینان در خروجی را شامل می‌شود. توجه داشته باشید که این نمره‌ها برآوردهای ژرفا یافته توسط مدل زبانی هستند و تقریبا دقیق نیستند.
- قالب سیستم پرامپت: از این گزینه برای تغییر پرامپت سیستم مورد استفاده در تحلیل احساسات استفاده کنید. این از placeholder
{categories}برای دسته‌ها بهره می‌برد. - فعال‌سازی خودکار اصلاح: با فعال کردن این گزینه، نود خروجی‌های مدل را به صورت خودکار اصلاح می‌کند تا مطابقت کامل با فرمت مورد انتظار داشته باشد. این کار را با ارسال خطای تفسیر schema به مدل زبانی و درخواست اصلاح آن انجام می‌دهد.
نکات استفاده#
تنظیم دما در مدل#
توصیه می‌شود دمای مدل زبانی متصل‌شده را تقریبا ۰ یا نزدیک به ۰ قرار دهید. این کار کمک می‌کند که نتایج به صورت قطعی‌تر و تکرارپذیرتر باشند و تحلیل احساسات پایدار‌تری ارائه دهند.
ملاحظات زبانی#
عملکرد نود ممکن است بسته به زبان متن ورودی متفاوت باشد. برای بهترین نتایج، اطمینان حاصل کنید که مدل زبانی انتخابی، زبان ورودی را پشتیبانی می‌کند.
پردازش حجم‌های بزرگ#
هنگام تحلیل حجم زیاد متن، در نظر بگیرید که ورودی را به بخش‌های کوچک‌تر تقسیم کنید تا زمان پردازش و مصرف منابع بهینه شود.
بهبود تدریجی#
برای وظایف پیچیده تحلیل احساسات، ممکن است نیاز باشد پرامپت سیستم و دسته‌ها را به صورت تکراری اصلاح و بهبود دهید تا به نتایج مورد انتظار برسید.
نمونه‌هایی از استفاده#
تحلیل احساسات پایه#
- یک منبع داده (مثلاً RSS، درخواست HTTP) را به نود تحلیل احساسات کانکشن دهید.
- فیلد "متن برای تحلیل" را به ویژگی مربوطه آیتم، مانند
{{ $json.content }}برای محتوای پست بلاگ تنظیم کنید. - دسته‌های احساسات را به حالت پیش‌فرض باقی بگذارید.
- خروجی‌های نود را به مسیرهای جداگانه برای پردازش احساس مثبت، خنثی و منفی متصل کنید.
تحلیل دسته‌های سفارشی#
- دسته‌های احساسات را به
هیجان زده، خوشحال، خنثی، ناامید، عصبانیتغییر دهید. - حرکت اجرایی خود را برای مدیریت این پنج دسته خروجی تنظیم کنید.
- از این تنظیمات برای تحلیل بازخورد مشتریان با دسته‌بندی‌های عاطفی دقیق‌تر و پیچیده‌تر استفاده کنید.
منابع مرتبط#
--8<-- "_snippets/integrations/builtin/cluster-nodes/langchain-overview-link.md"
واژگان مورد استفاده در هوش مصنوعی#
- کامل‌شدن: پاسخ‌هایی هستند که توسط مدلی مانند GPT تولید می‌شوند.
- توهمات: توهم در هوش مصنوعی هنگامی است که یک مدل زبانی بزرگ (LLM) نادرست تصور می‌کند الگوها یا اشیائی وجود دارند که واقعاً وجود ندارند.
- پایگاه داده وکتور: پایگاه داده وکتور نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.
- مخزن وکتور: مخزن وکتور، یا پایگاه داده وکتور، نمایه‌های ریاضی اطلاعات را ذخیره می‌کند. از آن در کنار جاسازی‌ها و بازیاب‌ها برای ساختن یک پایگاه داده که هوش مصنوعی شما می‌تواند هنگام پاسخگویی به سوالات به آن مراجعه کند، استفاده می‌شود.