MaxCompute:AI_SENTIMENT

Sintaxe

STRING AI_SENTIMENT(
  STRING <model_name>,
  STRING <version_name>,
  STRING <input>
  [, ARRAY<STRING> <categories>]
  [, STRING <model_parameters>]
);

Parâmetros

• model_name: Obrigatório. STRING. Nome do modelo a ser chamado. Para mais informações, consulte SQL AI Function.

• version_name: Obrigatório. STRING. Versão do modelo. Para chamar a versão padrão, especifique DEFAULT_VERSION.

• input: Obrigatório. STRING. Texto de entrada para análise de sentimento.

• categories: Opcional. ARRAY<STRING>. Categorias para análise de sentimento. As categorias padrão são positive, negative, neutral e mixed. Este parâmetro aceita constantes e colunas. Uma constante deve conter de 1 a 10 categorias.

• model_parameters: Opcional. STRING. Defina parâmetros do modelo como max_tokens, temperature e top_p. O formato é uma string JSON:

  '{"max_tokens": 500, "temperature": 0.6, "top_p": 0.95}'.

  • max_tokens: Número máximo de tokens gerados em uma única chamada de modelo. Para modelos públicos do MaxCompute, o valor padrão é 4.096.

  • temperature: Valor entre 0 e 1 que controla a aleatoriedade da saída. Valores mais altos resultam em saídas mais criativas e diversificadas; valores mais baixos produzem resultados mais determinísticos e conservadores.

  • top_p: Valor entre 0 e 1 que limita o intervalo de rótulos candidatos disponíveis para o modelo. Um valor mais alto amplia o intervalo e aumenta a diversidade; um valor mais baixo restringe o intervalo e gera resultados mais focados.

Valor de retorno

Retorna a categoria de sentimento como STRING.

• Se a função não identificar a categoria de sentimento do texto de input, retornará NULL.

• Se input for NULL ou uma string vazia (""), ou se categories for uma string vazia (""), a função retorna NULL.

• Quando categories é NULL, a função utiliza as categorias padrão: positive, negative, neutral e mixed.

• Se o parâmetro categories for uma constante com mais de 10 categorias, a função retorna um erro.

Exemplos

SET odps.namespace.schema=true;

SELECT AI_SENTIMENT(
    bigdata_public_modelset.default.`qwen3.7-max`,
    DEFAULT_VERSION,
    'The product quality is excellent, and delivery was fast. Highly recommended!'
) AS sentiment;
-- Result
+-----------+
| sentiment |
+-----------+
| positive  |
+-----------+

-- Sample data
CREATE TABLE customer_feedback (
    review STRING
);

INSERT INTO customer_feedback VALUES
    ('The service exceeded my expectations. I am very satisfied!'),
    ('The experience was terrible. The product broke after just one day.'),
    ('The package arrived on time. Nothing special.'),
    ('I love the design, but the battery life is too short.');

-- Analyze the sentiment of customer reviews by using custom categories
SET odps.namespace.schema=true;

SELECT
    review,
    AI_SENTIMENT(
        bigdata_public_modelset.default.`deepseek-v4-pro`,
        DEFAULT_VERSION,
        review,
        ARRAY('positive', 'negative', 'neutral')
    ) AS sentiment
FROM customer_feedback;

-- Result
+-------------------------------------------------------------------+-----------+
| review                                                            | sentiment |
+-------------------------------------------------------------------+-----------+
| The service exceeded my expectations. I am very satisfied!        | positive  |
| The experience was terrible. The product broke after just one day.| negative  |
| The package arrived on time. Nothing special.                     | neutral   |
| I love the design, but the battery life is too short.             | neutral   |
+-------------------------------------------------------------------+-----------+

FAILED: ODPS-0130071:[1,8] Semantic analysis exception - inference quota status check failed, error message: region cn-shanghai not found in inference quota