Analisar o sentimento do texto

Selecione uma versão da documentação:

A função ai.analyze_sentiment é uma ferramenta integrada da IA do AlloyDB que classifica o sentimento do texto como positivo, negativo ou neutro. Ao incorporar esse recurso diretamente no banco de dados, o AlloyDB Omni permite processar dados não estruturados sem criar pipelines complexos de extração, transformação e carregamento (ETL) ou integrações de serviços externos.

A função de análise de sentimentos oferece os seguintes benefícios:

  • Conhecimento do mundo: a vasta coleção de fatos, conceitos, relações e compreensão contextual do mundo que os grandes modelos de linguagem (LLMs) adquirem durante a fase de pré-treinamento.
  • Análise em tempo real: traz o conhecimento do mundo do Gemini para os dados corporativos usando SQL.
  • Escalonabilidade: compatível com processamento baseado em matrizes e cursores para lidar com milhares de linhas de maneira eficiente.
  • Simplicidade: oferece uma abstração de alto nível que gerencia a invocação de modelos e a preparação de dados automaticamente.

A função de análise de sentimentos da AlloyDB AI oferece suporte a vários casos de uso, incluindo:

  • Feedback dos clientes: classifique milhares de avaliações de produtos brutas e não estruturadas para identificar os níveis de satisfação dos clientes.
  • Monitoramento de redes sociais: analise o sentimento em menções ou comentários nas redes sociais para avaliar a percepção do público sobre uma marca.

Antes de começar

Verifique se você atende aos requisitos a seguir antes de usar a função ai.analyze_sentiment.

Ativar a extensão

Verifique se você tem a versão mais recente da extensão google_ml_integration.enable_preview_ai_functions (1.5.7 ou mais recente) instalada com a funcionalidade de prévia ativada.

Para ativar a flag google_ml_integration.enable_preview_ai_functions no AlloyDB Omni, use o comando SET. Essa flag controla o acesso a funções de IA em prévia, como ai.analyze_sentiment.

  1. Verifique se o google_ml_integration extension é a versão 1.5.7 ou mais recente. Para verificar a versão, execute o seguinte:

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

    Se você precisar fazer upgrade para uma versão que inclua essas funções de prévia, chame o seguinte:

    CALL google_ml.upgrade_to_preview_version();

  2. Ative a flag para a sessão atual ou para todo o banco de dados. Para ativar a flag na sua sessão atual, execute o seguinte:

    SET google_ml_integration.enable_preview_ai_functions = 'on';

    Essa mudança não exige a reinicialização do banco de dados. O valor padrão dessa flag é off.

Criar uma tabela de exemplo

Para acompanhar os exemplos da função de análise de sentimento neste documento, crie uma tabela e preencha-a com as seguintes avaliações de filmes.

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');

Analisar o sentimento de uma única string

Para avaliar o sentimento de uma única entrada de texto, use a versão escalar 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.
);

O exemplo a seguir mostra como realizar uma análise de sentimento no nível da linha em dados de texto armazenados em uma tabela chamada reviews com colunas id e review_content para armazenar dados de avaliação. O exemplo executa uma consulta SELECT que aplica a função ai.analyze_sentiment() à coluna review_content de cada linha na tabela. Essa função processa cada avaliação individualmente e retorna o sentimento calculado (positive, negative ou neutral).

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

Confira abaixo um exemplo da saída:

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

Analisar sentimentos em lotes

Para melhorar a performance em conjuntos de dados maiores, use a versão baseada em matriz da função para processar várias strings em uma única chamada.

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;

Confira abaixo um exemplo da saída:

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

Analisar o sentimento usando cursores

A função baseada em cursor foi criada para processar grandes conjuntos de dados de maneira eficiente, porque permite que o sistema transmita dados pelo modelo de IA em lotes gerenciáveis sem exigir que todos os dados sejam carregados na memória de uma só vez.

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

Agora você pode usar a função ai.analyze_sentiment. Como ele espera um REFCURSOR, é necessário abrir um cursor para os dados de entrada que você quer analisar. Neste exemplo, você analisa o review_content da tabela reviews.

O exemplo a seguir mostra como transmitir dados para a função ai.analyze_sentiment linha por linha usando um cursor:

-- 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;

Esta é a saída:

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

A seguir