Menganalisis sentimen teks

Pilih versi dokumentasi:

Fungsi ai.analyze_sentiment adalah alat AlloyDB AI bawaan yang mengklasifikasikan sentimen teks sebagai positif, negatif, atau netral. Dengan menyematkan kemampuan ini langsung ke dalam database, AlloyDB Omni memungkinkan Anda memproses data tidak terstruktur tanpa membangun pipeline Extract, Transform, and Load (ETL) yang kompleks atau integrasi layanan eksternal.

Fungsi analisis sentimen memberikan manfaat berikut:

  • Pengetahuan dunia: kumpulan fakta, konsep, hubungan, dan pemahaman kontekstual yang luas tentang dunia yang diperoleh Model Bahasa Besar (LLM) selama fase pra-pelatihan.
  • Analisis real-time: menghadirkan pengetahuan dunia Gemini ke data perusahaan menggunakan SQL.
  • Skalabilitas: mendukung pemrosesan berbasis array dan berbasis kursor untuk menangani ribuan baris secara efisien.
  • Kemudahan: menyediakan abstraksi tingkat tinggi yang mengelola pemanggilan model dan persiapan data secara otomatis.

Fungsi analisis sentimen AI AlloyDB mendukung beberapa kasus penggunaan, termasuk berikut ini:

  • Masukan pelanggan: mengklasifikasikan ribuan ulasan produk mentah dan tidak terstruktur untuk mengidentifikasi tingkat kepuasan pelanggan.
  • Pemantauan media sosial: menganalisis sentimen pada sebutan atau komentar di media sosial untuk mengukur persepsi publik terhadap suatu merek.

Sebelum memulai

Pastikan Anda memenuhi persyaratan berikut sebelum menggunakan fungsi ai.analyze_sentiment.

Mengaktifkan ekstensi

Pastikan Anda telah menginstal ekstensi google_ml_integration (versi 1.6.3 atau yang lebih baru) dengan mesin kueri AI diaktifkan.

Untuk mengaktifkan flag google_ml_integration.enable_ai_query_engine di AlloyDB Omni, gunakan perintah SET. Flag ini mengontrol akses ke fungsi AI seperti ai.analyze_sentiment.

  1. Pastikan ekstensi google_ml_integration Anda adalah versi 1.6.3 atau yang lebih tinggi. Anda dapat memeriksa versi dengan menjalankan perintah berikut:

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

    Jika Anda perlu mengupdate ekstensi, jalankan perintah berikut:

    ALTER EXTENSION google_ml_integration UPDATE;

  2. Aktifkan flag untuk sesi saat ini atau untuk seluruh database. Untuk mengaktifkan flag untuk sesi Anda saat ini, jalankan perintah berikut:

    SET google_ml_integration.enable_ai_query_engine = 'on';

    Perubahan ini tidak memerlukan mulai ulang database. Nilai default flag ini adalah off.

Membuat tabel contoh

Untuk mengikuti contoh fungsi analisis sentimen dalam dokumen ini, buat tabel dan isi dengan ulasan film berikut.

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');

Menganalisis sentimen string tunggal

Untuk mengevaluasi sentimen dari satu input teks, gunakan versi skalar dari ai.analyze_sentiment.

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

Contoh berikut menunjukkan cara melakukan analisis sentimen tingkat baris pada data teks yang disimpan dalam tabel bernama reviews dengan kolom id dan review_content untuk menyimpan data ulasan. Contoh ini menjalankan kueri SELECT yang menerapkan fungsi ai.analyze_sentiment() ke kolom review_content untuk setiap baris dalam tabel. Fungsi ini memproses setiap ulasan satu per satu dan menampilkan sentimen yang dihitung (positive, negative, atau neutral).

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

Berikut adalah contoh output-nya:

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

Menganalisis sentimen dalam batch

Untuk performa yang lebih baik pada set data yang lebih besar, gunakan versi fungsi berbasis array untuk memproses beberapa string dalam satu panggilan.

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;

Berikut adalah contoh output-nya:

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

Menganalisis sentimen menggunakan kursor

Fungsi berbasis kursor ditujukan untuk memproses set data besar secara efisien, karena memungkinkan sistem melakukan streaming data melalui model AI dalam batch yang dapat dikelola tanpa mengharuskan semua data dimuat ke dalam memori sekaligus.

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

Anda kini dapat menggunakan fungsi ai.analyze_sentiment. Karena mengharapkan REFCURSOR, Anda perlu membuka kursor untuk data input yang ingin dianalisis. Dalam contoh ini, Anda menganalisis review_content dari tabel reviews.

Contoh berikut menunjukkan cara memasukkan data ke fungsi ai.analyze_sentiment baris demi baris menggunakan kursor:

-- 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;

Berikut adalah output-nya:

              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

Langkah berikutnya