Textsentiment analysieren

Wählen Sie eine Dokumentationsversion aus:

Die Funktion ai.analyze_sentiment ist ein integriertes AlloyDB KI-Tool, das die Stimmung von Text als positiv, negativ oder neutral klassifiziert. Durch die direkte Einbettung dieser Funktion in die Datenbank können Sie mit AlloyDB Omni unstrukturierte Daten verarbeiten, ohne komplexe ETL-Pipelines (Extrahieren, Transformieren und Laden) oder externe Dienstintegrationen erstellen zu müssen.

Die Funktion zur Sentimentanalyse bietet folgende Vorteile:

  • Weltwissen: die riesige Sammlung von Fakten, Konzepten, Beziehungen und Kontextverständnis der Welt, die Large Language Models (LLMs) während ihrer Vortrainingsphase erwerben.
  • Echtzeitanalyse: Bringt das Weltwissen von Gemini mithilfe von SQL in Unternehmensdaten ein.
  • Skalierbarkeit: Unterstützt die array- und cursorbasierte Verarbeitung, um Tausende von Zeilen effizient zu verarbeiten.
  • Einfachheit: Bietet eine allgemeine Abstraktion, die Modellaufrufe und Datenvorbereitung automatisch verwaltet.

Die AlloyDB AI-Sentimentanalysefunktion unterstützt mehrere Anwendungsfälle, darunter:

  • Kundenfeedback: Klassifizieren Sie Tausende von unstrukturierten Produktrezensionen, um die Kundenzufriedenheit zu ermitteln.
  • Monitoring sozialer Medien: Analysieren Sie die Stimmung in Erwähnungen oder Kommentaren in sozialen Medien, um die öffentliche Wahrnehmung einer Marke zu messen.

Hinweis

Prüfen Sie, ob Sie die folgenden Anforderungen erfüllen, bevor Sie die Funktion ai.analyze_sentiment verwenden.

Erweiterung aktivieren

Achten Sie darauf, dass die Erweiterung google_ml_integration (Version 1.6.3 oder höher) installiert und die KI-Abfrage-Engine aktiviert ist.

Verwenden Sie den Befehl SET, um das Flag google_ml_integration.enable_ai_query_engine in AlloyDB Omni zu aktivieren. Dieses Flag steuert den Zugriff auf KI-Funktionen wie ai.analyze_sentiment.

  1. Achten Sie darauf, dass die google_ml_integration-Erweiterung die Version 1.6.3 oder höher hat. Sie können die Version mit dem folgenden Befehl prüfen:

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

    Wenn Sie die Erweiterung aktualisieren müssen, führen Sie den folgenden Befehl aus:

    ALTER EXTENSION google_ml_integration UPDATE;

  2. Aktivieren Sie das Flag für die aktuelle Sitzung oder für die gesamte Datenbank. Führen Sie den folgenden Befehl aus, um das Flag für Ihre aktuelle Sitzung zu aktivieren:

    SET google_ml_integration.enable_ai_query_engine = 'on';

    Für diese Änderung ist kein Neustart der Datenbank erforderlich. Der Standardwert dieses Flags ist off.

Beispieltabelle erstellen

Wenn Sie die Beispiele für die Funktion zur Sentimentanalyse in diesem Dokument nachvollziehen möchten, erstellen Sie eine Tabelle und füllen Sie sie mit den folgenden Filmrezensionen.

CREATE TABLE IF NOT EXISTS reviews (
    id INT PRIMARY KEY,
    review_content TEXT
);

INSERT INTO reviews (id, review_content) VALUES 
(1, 'This movie is very good'),
(2, 'The actors play the parts well'),
(3, 'I like the music in this film'),
(4, 'The story is easy to follow'),
(5, 'Many people will enjoy this show'),
(6, 'The film is too long'),
(7, 'I do not like the ending'),
(8, 'This movie is very boring'),
(9, 'The story is okay'),
(10, 'Some parts are fine');

Sentiment eines einzelnen Strings analysieren

Wenn Sie die Stimmung einer einzelnen Texteingabe bewerten möchten, verwenden Sie die skalare Version von ai.analyze_sentiment.

SELECT ai.analyze_sentiment(
  input => 'TEXT_CONTENT',
  model_id => 'MODEL_ID' -- Optional. The default value is gemini-3.5-flash-lite.
);

Im folgenden Beispiel wird gezeigt, wie Sie eine Sentimentanalyse auf Zeilenebene für Textdaten durchführen, die in einer Tabelle mit dem Namen reviews mit den Spalten id und review_content zum Speichern von Rezensionsdaten gespeichert sind. Im Beispiel wird eine SELECT-Abfrage ausgeführt, die die Funktion ai.analyze_sentiment() auf die Spalte review_content für jede Zeile in der Tabelle anwendet. Diese Funktion verarbeitet jede Rezension einzeln und gibt die berechnete Stimmung (positive, negative oder neutral) zurück.

--- Row Level sentiment analysis
SELECT id, ai.analyze_sentiment(review_content) FROM reviews;

Hier sehen Sie die Beispielausgabe:

 id | analyze_sentiment
----+-------------------
  1 | positive
  2 | positive
  3 | positive
  4 | positive
  5 | positive
  6 | negative
  7 | negative
  8 | negative
  9 | neutral
 10 | neutral

Sentiment in Batches analysieren

Für eine bessere Leistung bei größeren Datasets sollten Sie die arraybasierte Version der Funktion verwenden, um mehrere Strings in einem einzigen Aufruf zu verarbeiten.

SELECT ai.analyze_sentiment(
  inputs => ARRAY['TEXT_1', 'TEXT_2'],
  batch_size => BATCH_SIZE, -- Optional. The default value is 10.
  model_id => 'MODEL_ID' -- Optional. The default value is gemini-3.5-flash-lite.
);

WITH sentiment_results AS (
SELECT
  ARRAY_AGG(id ORDER BY id) as ids,
  ai.analyze_sentiment( 
    inputs => array_agg(review_content ORDER BY id),
    batch_size => 15) as sentiments 
FROM reviews
),
correlated_results AS (
    SELECT ids[i] as id, sentiments[i] as sentiment
    FROM sentiment_results,
    generate_series(1, array_length(ids, 1)) AS i
)
SELECT reviews.id, correlated_results.sentiment as sentiment 
FROM reviews
JOIN correlated_results ON reviews.id = correlated_results.id
ORDER BY reviews.id;

Hier sehen Sie die Beispielausgabe:

 id | sentiment
----+-----------
  1 | positive
  2 | positive
  3 | positive
  4 | positive
  5 | positive
  6 | negative
  7 | negative
  8 | negative
  9 | neutral
 10 | neutral

Stimmung mit Cursorn analysieren

Die cursorbasierte Funktion ist für die effiziente Verarbeitung großer Datasets gedacht, da das System Daten in überschaubaren Batches durch das KI-Modell streamen kann, ohne dass alle Daten auf einmal in den Arbeitsspeicher geladen werden müssen.

CREATE OR REPLACE FUNCTION ai.analyze_sentiment(
    input_cursor REFCURSOR,
    batch_size INT DEFAULT NULL,
    model_id VARCHAR(100) DEFAULT NULL)
  RETURNS REFCURSOR

Sie können jetzt die Funktion ai.analyze_sentiment verwenden. Da ein REFCURSOR erwartet wird, müssen Sie einen Cursor für die Eingabedaten öffnen, die Sie analysieren möchten. In diesem Beispiel analysieren Sie die review_content aus der Tabelle reviews.

Im folgenden Beispiel wird gezeigt, wie Daten mithilfe eines Cursors Zeile für Zeile an die Funktion ai.analyze_sentiment übergeben werden:

-- Start a transaction
BEGIN;

-- Declare a cursor for the review content
DECLARE review_cursor REFCURSOR;

-- Open the cursor with the query to fetch the review content
OPEN review_cursor FOR SELECT review_content FROM reviews;

-- Call the AI function, passing the cursor
-- This function will return another cursor containing the results
DECLARE result_cursor REFCURSOR;
SELECT ai.analyze_sentiment(
    input_cursor => review_cursor,
    batch_size => 5  -- Optional: Process in batches of 5
) INTO result_cursor;

-- Fetch and display results from the result_cursor
-- The exact way to fetch from a REFCURSOR depends on the SQL environment.
-- This is a conceptual example.
FETCH ALL FROM result_cursor;

-- Close the cursors
CLOSE review_cursor;
CLOSE result_cursor;

-- End the transaction
COMMIT;

Die Ausgabe sieht so aus:

              input               |  output
----------------------------------+----------
 This movie is very good          | positive
 The actors play the parts well   | positive
 I like the music in this film    | positive
 The story is easy to follow      | positive
 Many people will enjoy this show | positive
 The film is too long             | negative
 I do not like the ending         | negative
 This movie is very boring        | negative
 The story is okay                | neutral
 Some parts are fine              | neutral

Nächste Schritte