Analyser les sentiments d'un texte

Sélectionnez une version de la documentation :

La fonction ai.analyze_sentiment est un outil d'IA AlloyDB intégré qui classe le sentiment du 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 (Extract, Transform, and Load) complexes ni d'intégrations de services externes.

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

  • Connaissances du monde : vaste ensemble de faits, de concepts, de relations et de compréhension contextuelle du monde que les grands modèles de langage (LLM) acquièrent lors de leur phase de pré-entraînement.
  • Analyse en temps réel : apporte les connaissances du monde de Gemini 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 de 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 sur des produits bruts et non structurés pour identifier les niveaux de satisfaction client.
  • Surveillance des réseaux sociaux : analysez les sentiments dans les mentions ou les commentaires sur les réseaux sociaux pour évaluer la perception du public d'une marque.

Avant de commencer

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

Activer l'extension

Assurez-vous que la dernière version de l'extension google_ml_integration.enable_preview_ai_functions (version 1.5.7 ou ultérieure) est installée et que la fonctionnalité d'aperçu est activée.

Pour activer l'indicateur google_ml_integration.enable_preview_ai_functions dans AlloyDB Omni, utilisez la commande SET. Cet indicateur contrôle l'accès aux fonctions d'IA en version bêta, telles que ai.analyze_sentiment.

  1. Assurez-vous que votre google_ml_integration extension est de la version 1.5.7 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 passer à une version incluant ces fonctions en version bêta, appelez la commande suivante :

    CALL google_ml.upgrade_to_preview_version();

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

    SET google_ml_integration.enable_preview_ai_functions = 'on';

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

Créer une table d'exemple

Pour suivre les exemples de la fonction d'analyse des sentiments présentés dans ce document, créez une table et remplissez-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 le sentiment 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(
  prompt => 'TEXT_CONTENT',
  model_id => 'MODEL_ID' -- Optional. The default value is gemini-2.5-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 ai.analyze_sentiment(review_content) FROM reviews;

Voici l'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 lot

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

SELECT ai.analyze_sentiment(
  prompts => 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-2.5-flash-lite.
);

WITH sentiment_results AS (
SELECT
  ARRAY_AGG(id ORDER BY id) as ids,
  ai.analyze_sentiment( 
    prompts => array_agg( 'Please analyze the sentiment of this review  : ' || 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 DESC;

Voici l'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 des curseurs est destinée à traiter efficacement les ensembles de données volumineux, car elle permet au système de diffuser des données via le modèle d'IA par lots gérables sans que toutes les données ne soient chargées en mémoire en même temps.

CREATE OR REPLACE FUNCTION ai.analyze_sentiment(
    prompt TEXT,
    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 le 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(
    prompt => 'Analyze the sentiment of the following movie review:',
    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 :

review_content                 | sentiment | score
-------------------------------+-----------+-------
This movie is very good        | Positive  |   0.9
The actors play the parts well | Positive  |   0.8
I like the music in this film  | Positive  |   0.8
The story is easy to follow    | Positive  |   0.7
Many people will enjoy this show | Positive  |   0.8
The film is too long           | Negative  |  -0.6
I do not like the ending       | Negative  |  -0.8
This movie is very boring      | Negative  |  -0.9
The story is okay              | Neutral   |   0.1
Some parts are fine            | Neutral   |   0.2

Étape suivante