Sentiment Analysis 노드 문서

n8n에서 Sentiment Analysis 노드를 사용하는 방법을 알아봅니다. 들어오는 텍스트 데이터의 감성을 분석하는 워크플로 통합 기술 문서입니다.

Sentiment Analysis 노드를 사용해 들어오는 텍스트 데이터의 감성(sentiment)을 분석합니다. 언어 모델은 노드 옵션의 Sentiment Categories 를 사용하여 각 항목의 감성을 결정합니다. 노드 파라미터 # Text to Analyze : 감성 분석을 위한 입력 텍스트를 정의합니다. 입력 항목의 필드를 참조하는 표현식입니다. 예를 들어 입력이 채팅 또는 메시지 소스인 경우 {{ $json.chatInput }} 이 될 수 있습니다. 기본적으로 text 필드를 예상합니다. 노드 옵션 # Sentiment Categories : 입력을 분류할 카테고리를 정의합니다. 기본값은 Positive, Neutral, Negative 입니다. 더 세밀한 분석을 위해 Very Positive, Positive, Neutral, Negative, Very Negative 와 같이 특정 사용 사례에 맞게 카테고리를 커스터마이즈할 수 있습니다. Include Detailed Results : 활성화하면 출력에 감성 강도 및 신뢰도 점수가 포함됩니다. 이 점수는 언어 모델이 생성한 추정치이며 정확한 측정값이 아닌 대략적인 지표입니다. System Prompt Template : 감성 분석에 사용되는 시스템 프롬프트를 변경하려면 이 옵션을 사용합니다. 카테고리에는 {categories} 플레이스홀더를 사용합니다. Enable Auto-Fixing : 활성화하면 노드가 모델 출력을 자동으로 수정하여 예상 형식과 일치하도록 합니다. 스키마 파싱 오류를 LLM에 보내 수정을 요청합니다. 사용 메모 # 모델 Temperature 설정 # 연결된 언어 모델의 temperature를 0 또는 0에 가까운 값으로 설정하는 것이 강력히 권장됩니다. 이렇게 하면 결과가 최대한 결정론적이 되어 여러 번 실행 시 더 일관되고 신뢰할 수 있는 감성 분석이 제공됩니다. 언어 고려 사항 # 노드의 성능은 입력 텍스트의 언어에 따라 달라질 수 있습니다. 최상의 결과를 위해 선택한 언어 모델이 입력 언어를 지원하는지 확인하세요. 대용량 처리 # 대량의 텍스트를 분석할 때는 처리 시간과 리소스 사용을 최적화하기 위해 입력을 더 작은 청크로 분할하는 것을 고려하세요. 반복적 개선 # 복잡한 감성 분석 작업의 경우 원하는 결과를 얻기 위해 시스템 프롬프트와 카테고리를 반복적으로 개선해야 할 수 있습니다. 사용 예제 # 기본 감성 분석 # 데이터 소스(예: RSS Feed, HTTP Request)를 Sentiment Analysis 노드에 연결합니다. "Text to Analyze" 필드를 관련 항목 속성으로 설정합니다(예: 블로그 포스트 콘텐츠의 경우 {{ $json.content }} ). 기본 감성 카테고리를 유지합니다. 긍정적, 중립적, 부정적 감성을 다르게 처리하기 위해 노드 출력을 별도의 경로에 연결합니다. 커스텀 카테고리 분석 # Sentiment Categories 를 Excited, Happy, Neutral, Disappointed, Angry 로