Analyser les sentiments d'un texte

Sélectionnez une version de la documentation :

La fonction ai.analyze_sentiment est un outil IA AlloyDB intégré qui classe le sentiment d'un texte comme positif, négatif ou neutre. En intégrant cette fonctionnalité directement dans la base de données, AlloyDB Omni vous permet de traiter des données non structurées sans créer de pipelines ETL (extraction, transformation et chargement) complexes ni d'intégrations de services externes.

La fonction d'analyse des sentiments offre les avantages suivants :

  • Connaissances générales : vaste collection de faits, de concepts, de relations et de compréhension contextuelle du monde que les grands modèles de langage (LLM) acquièrent au cours de leur phase de pré-entraînement.
  • Analyse en temps réel : apporte les connaissances de Gemini sur le monde aux données d'entreprise à l'aide de SQL.
  • Évolutivité : compatible avec le traitement basé sur des tableaux et des curseurs pour gérer efficacement des milliers de lignes.
  • Simplicité : fournit une abstraction de haut niveau qui gère automatiquement l'appel du modèle et la préparation des données.

La fonction d'analyse des sentiments d'AlloyDB AI est compatible avec plusieurs cas d'utilisation, y compris les suivants :

  • Commentaires des clients : classez des milliers d'avis bruts et non structurés sur les produits pour identifier les niveaux de satisfaction client.
  • Surveillance des réseaux sociaux : analysez les sentiments exprimés dans les mentions ou les commentaires sur les réseaux sociaux pour évaluer la perception d'une marque par le public.

Avant de commencer

Assurez-vous de remplir les conditions suivantes avant d'utiliser la fonction ai.analyze_sentiment.

Activer l'extension

Assurez-vous que l'extension google_ml_integration (version 1.6.3 ou ultérieure) est installée et que le moteur de requête IA est activé.

Pour activer l'option google_ml_integration.enable_ai_query_engine dans AlloyDB Omni, utilisez la commande SET. Cette option contrôle l'accès aux fonctions d'IA telles que ai.analyze_sentiment.

  1. Assurez-vous que votre extension google_ml_integration est en version 1.6.3 ou ultérieure. Vous pouvez vérifier la version en exécutant la commande suivante :

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

    Si vous devez mettre à jour l'extension, exécutez la commande suivante :

    ALTER EXTENSION google_ml_integration UPDATE;

  2. Activez l'option pour la session en cours ou pour l'ensemble de la base de données. Pour activer l'option pour votre session actuelle, exécutez la commande suivante :

    SET google_ml_integration.enable_ai_query_engine = 'on';

    Cette modification ne nécessite pas de redémarrer la base de données. La valeur par défaut de cette option est off.

Créer un exemple de table

Pour suivre les exemples de la fonction d'analyse des sentiments de ce document, créez une table et renseignez-la avec les avis de films suivants.

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');

Analyser les sentiments d'une seule chaîne

Pour évaluer le sentiment d'une seule entrée de texte, utilisez la version scalaire de ai.analyze_sentiment.

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

L'exemple suivant montre comment effectuer une analyse des sentiments au niveau des lignes sur des données textuelles stockées dans une table nommée reviews avec les colonnes id et review_content pour stocker les données d'avis. L'exemple exécute une requête SELECT qui applique la fonction ai.analyze_sentiment() à la colonne review_content pour chaque ligne de la table. Cette fonction traite chaque avis individuellement et renvoie le sentiment calculé (positive, negative ou neutral).

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

Voici un exemple de résultat :

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

Analyser les sentiments par lots

Pour de meilleures performances sur des ensembles de données plus volumineux, utilisez la version basée sur un tableau de la fonction pour traiter plusieurs chaînes en un seul appel.

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;

Voici un exemple de résultat :

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

Analyser les sentiments à l'aide de curseurs

La fonction basée sur un curseur est destinée à traiter efficacement de grands ensembles de données, car elle permet au système de diffuser des données via le modèle d'IA par lots gérables sans nécessiter le chargement de toutes les données en mémoire en même temps.

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

Vous pouvez maintenant utiliser la fonction ai.analyze_sentiment. Comme elle attend un REFCURSOR, vous devez ouvrir un curseur pour les données d'entrée que vous souhaitez analyser. Dans cet exemple, vous analysez l'élément review_content de la table reviews.

L'exemple suivant montre comment transmettre des données à la fonction ai.analyze_sentiment ligne par ligne à l'aide d'un curseur :

-- 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;

Voici le résultat :

              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

Étapes suivantes