Sentiment Analysis（情感分析） 节点

使用 Sentiment Analysis 节点，分析传入文本数据的情感。

语言模型根据节点选项中的 Sentiment Categories（情感类别），判断每个数据项的情感。

节点参数

• Text to Analyze（要分析的文本）：定义情感分析的输入文本，使用引用输入项字段的表达式。例如，输入来自聊天或消息源时，可使用 {{ $json.chatInput }}。默认情况下，节点期望使用 text 字段。

节点选项

• Sentiment Categories（情感类别）：定义要将输入划分到的类别。
  • 默认类别为 Positive, Neutral, Negative。可根据具体场景自定义类别，例如使用 Very Positive, Positive, Neutral, Negative, Very Negative 进行更细致的分析。
• Include Detailed Results（包含详细结果）：开启时，输出包含情感强度和置信度分数。这些分数由语言模型估算生成，只能作为粗略参考，并非精确测量值。
• System Prompt Template（系统提示词模板）：修改情感分析使用的系统提示词，其中使用 {categories} 占位符表示类别。
• Enable Auto-Fixing（启用自动修复）：开启后，节点会将架构解析错误发送给 LLM，要求其修复模型输出，以符合预期格式。

使用说明

模型温度设置

强烈建议将所连接语言模型的温度设为 0 或接近 0 的值。这有助于尽可能提高结果的确定性，使多次运行的情感分析更加一致、可靠。

语言因素

节点表现可能因输入文本的语言而异。

为获得最佳结果，请确保所选语言模型支持输入语言。

大批量处理

分析大量文本时，可考虑将输入拆分为更小的块，优化处理时间和资源用量。

迭代优化

对于复杂的情感分析任务，可能需要迭代调整系统提示词和类别，以获得所需结果。

使用示例

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“Text to Analyze”（要分析的文本）字段设为相关数据项的属性（例如，博客文章内容可使用 {{ $json.content }}）。
3. 保留默认情感类别。
4. 将节点输出连接到不同路径，分别处理积极、中性和消极情感。

自定义类别分析

1. 将 Sentiment Categories（情感类别）改为 Excited, Happy, Neutral, Disappointed, Angry。
2. 调整工作流，处理这五个输出类别。
3. 使用此配置，以更细致的情绪类别分析客户反馈。

相关资源

查看 n8n 的高级 AI 文档。