AI_SENTIMENT classifica o sentimento de uma coluna de texto usando um Large Language Model (LLM) e retorna uma pontuação, um rótulo e um valor de confiança para cada linha.
Limitações
Requer Ververica Runtime (VVR) 11.4 ou posterior.
Para usar o Flink AI service (modelos integrados), é necessário ter o VVR 11.7 ou posterior e ativar o Flink AI service. Para obter mais detalhes, consulte Flink AI service (modelos integrados).
O throughput está limitado pelo rate limit da plataforma de modelos. Quando esse limite é excedido, o operador Flink sofre backpressure e se torna um gargalo. Em casos graves, isso gera erros de timeout no operador e provoca o reinício do job.
Sintaxe
AI_SENTIMENT(
MODEL => MODEL <model_name>,
INPUT => <input_column>
)Parâmetros de entrada
|
Parâmetro |
Tipo de dados |
Descrição |
|
|
MODEL |
O service de modelo registrado a ser utilizado. Registre um service de modelo em Model Settings. O tipo de saída do modelo deve ser VARIANT. |
|
|
STRING |
Coluna de texto a ser analisada. |
Saídas
AI_SENTIMENT retorna uma linha para cada linha de entrada com as seguintes colunas:
|
Coluna |
Tipo de dados |
Descrição |
|
|
DOUBLE |
Pontuação de sentimento variando de |
|
|
STRING |
Classificação do sentimento. Valores válidos: |
|
|
DOUBLE |
Nível de confiança do modelo no rótulo previsto, entre |
Exemplo
O exemplo a seguir usa um modelo integrado do Flink e a função AI_SENTIMENT para classificar o sentimento de comentários sobre filmes.
Dados de teste
|
id |
movie_name |
comment |
actual_label |
|
1 |
Good Stuff |
I loved the part where the child guessed sounds. It was one of the most romantic narratives I've seen in a movie. Very gentle and full of love. |
positive |
|
2 |
Dumpling Queen |
Nothing remarkable. |
negative |
Instrução SQL
-- Register the model service
CREATE TEMPORARY MODEL general_model
INPUT (`input` STRING)
OUTPUT (`content` VARIANT)
WITH (
'provider' = 'openai-compat',
'task' = 'chat/completions',
'model' = 'qwen3.6-flash'
);
-- Create a view with the test data
CREATE TEMPORARY VIEW movie_comment(id, movie_name, user_comment, actual_label)
AS VALUES
(1, 'Good Stuff', 'I loved the part where the child guessed sounds. It was one of the most romantic narratives I\'ve seen in a movie. Very gentle and full of love.', 'positive'),
(2, 'Dumpling Queen', 'Nothing remarkable.', 'negative');
-- Call AI_SENTIMENT using positional arguments
SELECT id, movie_name, actual_label, score, label, confidence
FROM movie_comment,
LATERAL TABLE(
AI_SENTIMENT(MODEL general_model, user_comment));
-- Call AI_SENTIMENT using named arguments
SELECT id, movie_name, actual_label, score, label, confidence
FROM movie_comment,
LATERAL TABLE(
AI_SENTIMENT(
MODEL => MODEL general_model,
INPUT => user_comment));Saída
O label previsto corresponde ao actual_label em ambas as linhas.
|
id |
movie_name |
actual_label |
score |
label |
confidence |
|
1 |
Good Stuff |
positive |
0.8 |
positive |
0.95 |
|
2 |
Dumpling Queen |
negative |
-1.0 |
negative |
0.95 |