情感分析节点#

使用情感分析节点（Sentiment Analysis node）来分析传入文本数据的情感倾向。 该语言模型会根据节点选项中的情感类别来判断每条数据的情感。

节点参数#

• 要分析的文本（Text to Analyze）：定义用于情感分析的输入文本。这是一个引用输入项中某个字段的表达式。例如，如果输入来自聊天或消息源，则可以是 {{ $json.chatInput }}。默认情况下，它期望一个名为 text 的字段。

节点选项#

• 情感类别（Sentiment Categories）：定义你希望将输入内容分类为哪些类别。
  • 默认值为 Positive, Neutral, Negative。你可以根据具体使用场景自定义这些类别，例如 Very Positive, Positive, Neutral, Negative, Very Negative，以实现更细粒度的分析。
• 包含详细结果（Include Detailed Results）：启用后，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，仅作为粗略参考而非精确测量。
• 系统提示模板（System Prompt Template）：使用此选项可更改用于情感分析的系统提示（system prompt），其中使用 {categories} 占位符代表类别列表。
• 启用自动修复（Enable Auto-Fixing）：启用后，节点会自动修正模型输出，确保其符合预期格式。实现方式是将模式解析错误发送给大语言模型（LLM），并要求其进行修正。

使用说明#

模型温度设置（Model Temperature Setting）#

强烈建议将连接的语言模型的温度（temperature）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（deterministic），从而在多次运行中提供更一致且可靠的 sentiment analysis（情感分析）结果。

语言注意事项#

节点的性能可能因输入文本的语言不同而有所差异。 为获得最佳效果，请确保所选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片段，以优化处理时间和资源使用。

迭代优化#

对于复杂的 sentiment analysis（情感分析）任务，您可能需要迭代地调整系统提示词（system prompt）和分类类别，以达到理想的结果。

示例用法#

基础情感分析#

1. 将数据源（例如 RSS Feed、HTTP Request）连接到 Sentiment Analysis 节点。
2. 将“待分析文本”（Text to Analyze）字段设置为相应的项目属性（例如，博客内容可设为 {{ $json.content }}）。
3. 使用默认的情感分类。
4. 将该节点的输出连接到不同的分支路径，分别处理正面、中性和负面情绪。

自定义分类分析#

1. 将 情感分类（Sentiment Categories） 修改为 Excited, Happy, Neutral, Disappointed, Angry（兴奋、快乐、中性、失望、愤怒）。
2. 调整工作流以处理这五个输出类别。
3. 使用此配置对客户反馈进行更细致的情绪分类分析。

相关资源#

查看 n8n 的 高级 AI 文档。