如何使用In-Database AI实现客户情绪分析_云原生数据仓库AnalyticDB(AnalyticDB)-阿里云帮助中心

基于客服聊天记录的情绪分析对提升企业服务质量具有重要意义。通过实时监测情绪波动，企业可以迅速识别高风险会话（如持续负面情绪），触发预警机制并优先分配高级客服介入，从而提升客户体验，降低流失风险。本文介绍如何在AnalyticDB PostgreSQL 7.0版中使用pgml进行客户情绪分析。

前提条件

已购买内核版本为v7.2.1.0及以上的AnalyticDB for PostgreSQL7.0版实例。
实例的协调节点（Master）：8CU及以上规格。
实例的计算节点（Segment）：8C32G及以上规格。
说明
- 您可以在控制台实例的基本信息页查看内核小版本。如不满足上述版本要求，需要您升级内核小版本。
- 您可以通过Master资源管理和计算节点变配获取协调节点和计算节点的配置变更方法。
实例资源类型为存储弹性模式。
已经安装pgml插件。
说明
如果您已安装，在数据库的Schema列表中可以看到pgml。如未安装请提交工单，联系技术支持协助安装（需要重启实例）。如有卸载插件需求，也请提交工单联系技术支持协助卸载。

操作步骤

步骤一：创建业务表

在已安装pgml插件的目标数据库中，创建Schema和业务表并写入测试数据。

-- 创建SCHEMA
CREATE SCHEMA testschema;

-- 创建原始聊天记录表
CREATE TABLE testschema.chat_records (
    session_id VARCHAR(40),
    dialog_time TIMESTAMP,
    role VARCHAR(10),  -- 角色: customer/service
    dialog_text TEXT
);

-- 创建推理结果记录表
CREATE TABLE testschema.sentiment_raw_results (
   session_id character varying(40),
   raw_response text
);

-- 写入测试数据
INSERT INTO testschema.chat_records VALUES
('S001', '2024-05-01 09:30:00', 'customer', '你们的产品质量太差了！刚用三天就坏了！'),
('S001', '2024-05-01 09:31:00', 'service', '非常抱歉给您带来不便，我们可以安排免费换新'),
('S002', '2024-05-01 10:15:00', 'customer', '感谢客服耐心指导，问题已完美解决'),
('S003', '2024-05-01 11:20:00', 'customer', '我需要查询订单物流信息');

步骤二：使用模型进行单条数据推理

下载DeepSeek模型至协调节点（Master）。
说明
当前仅支持DeepSeek-R1-Distill-Qwen-7B模型。该模型不收费。
```
SELECT pgml.download_built_in_model('deepseek-ai/DeepSeek-R1-Distill-Qwen-7B');
```

使用该模型实现单条数据推理。

SELECT 
    pgml.transform(
        task => '{
            "task": "text-generation",
            "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",
            "load_in_8bit": false,
            "device_map": "auto"
        }'::JSONB,
        inputs => ARRAY[
            '请分析以下聊天记录中的客户情绪，正面表示用户很满意，负面表示有较大的流失风险，中性表示没有表现出情感倾向，不需要给出思考过程和理由，直接返回结果即可。
例如：
# 用户消息为：你好，我想咨询一下你们的套餐。
# 情绪：中性

现在根据下面的输入进行评分:
# 用户消息为：'||'感谢客服耐心指导，问题已完美解决'||'
# 情绪：</think>'
        ],
        args => '{
            "max_new_tokens": 10,
            "temperature": 0.1
        }'::JSONB
    ) AS response;

参数说明

参数名称	描述	子参数	示例值
task	指定所使用的预训练模型以及任务类型。	task：任务类型。	`task => '{ "task": "text-generation", "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B", "load_in_8bit": false, "device_map": "auto" }'::JSONB`
		model：模型名称。
		load_in_8bit：与模型加载和量化（8bit量化）相关的参数。取值为： false：禁用8-bit量化。 true：启用8-bit量化。
		device_map：与模型加载和设备分配相关的参数。`auto`表示框架自动将模型的不同部分分配到可用的设备上，以优化内存使用和计算效率。该设置非常适合处理大型模型或多设备场景。
args	将一组配置选项传递给某个逻辑单元（如函数、存储过程、API或模型）。	max_new_tokens：限制模型在生成文本时的token数量。	`args => '{ "max_new_tokens": 10, "temperature": 0.1 }'::JSONB`
		temperature：温度系数，控制生成随机性的参数。值越小，生成结果更加确定和稳定。适用于需要生成稳定、一致的结果的场景，例如问答系统、代码生成等。值越大，生成结果更加随机和多样化。适用于需要生成多样化、创造性的内容的场景，例如对话生成、故事创作等场景。
inputs	需要分类的文本。	无	ARRAY['产品的质量很好']

步骤三：使用模型处理历史聊天记录

下载DeepSeek模型至计算节点（Segment）。

SELECT pgml.download_built_in_model('deepseek-ai/DeepSeek-R1-Distill-Qwen-7B') FROM gp_dist_random('gp_id');

处理历史聊天记录。

WITH model_output AS (
SELECT 
    session_id,
    pgml.transform(
        task => '{
            "task": "text-generation",
            "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",
            "load_in_8bit": false,
            "device_map": "auto"
        }'::JSONB,
        inputs => ARRAY[
            '请分析以下聊天记录中的客户情绪，正面表示用户很满意，负面表示有较大的流失风险，中性表示没有表现出情感倾向，不需要给出思考过程和理由，直接返回结果即可。
例如：
# 用户消息为：你好，我想咨询一下你们的套餐。
# 情绪：中性

现在根据下面的输入进行评分:
# 用户消息为：'|| string_agg(dialog_text, '; ')||'
# 情绪：</think>'
        ],
        args => '{
            "max_new_tokens": 10,
            "temperature": 0.1
        }'::JSONB
    ) AS response
FROM chat_records
WHERE role = 'customer'  -- 仅分析客户发言
GROUP BY session_id
)

INSERT INTO testschema.sentiment_raw_results
SELECT 
    session_id,
    response->0->0->>'generated_text' AS raw_response
FROM model_output;

参数说明

参数名称	描述	子参数	示例值
task	指定所使用的预训练模型以及任务类型。	task：任务类型。	`task => '{ "task": "text-generation", "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B", "load_in_8bit": false, "device_map": "auto" }'::JSONB`
		model：模型名称。
		load_in_8bit：与模型加载和量化（8bit量化）相关的参数。取值为： false：禁用8-bit量化。 true：启用8-bit量化。
		device_map：与模型加载和设备分配相关的参数。`auto`表示框架自动将模型的不同部分分配到可用的设备上，以优化内存使用和计算效率。该设置非常适合处理大型模型或多设备场景。
args	将一组配置选项传递给某个逻辑单元（如函数、存储过程、API或模型）。	max_new_tokens：限制模型在生成文本时的token数量。	`args => '{ "max_new_tokens": 10, "temperature": 0.1 }'::JSONB`
		temperature：温度系数，控制生成随机性的参数。值越小，生成结果更加确定和稳定。适用于需要生成稳定、一致的结果的场景，例如问答系统、代码生成等。值越大，生成结果更加随机和多样化。适用于需要生成多样化、创造性的内容的场景，例如对话生成、故事创作等场景。
inputs	需要分类的文本。	无	ARRAY['产品的质量很好']

查询结果。

SELECT * FROM testschema.sentiment_raw_results limit 1;

结果如下。

session_id |                                                                        raw_response
------------+----------------------------------------------------------------------------------------------------------------------------------------------
 S002       | 请分析以下聊天记录中的客户情绪，正面表示用户很满意，负面表示有较大的流失风险，中性表示没有表现出情感倾向，不需要给出思考过程和理由，直接返回结果即可。例如
            | # 用户消息为：你好，我想咨询一下你们的套餐。                                                                                                                             
            | # 情绪：中性                                                                                                                                                  
            |                                                                                                                                                                                                                                                                                                        
            | 现在根据下面的输入进行评分:                                                                                                                                
            | # 用户消息为:                                                                                                                                              
            | 感谢客服耐心指导，问题已完美解决                                                                                                                           
            | # 情绪：</think>                                                                                                                       
            | 正面
(1 row)

步骤四：转换为量化标签

转化为风险等级，以便企业后续跟进。

WITH sentiment_results AS(
    SELECT split_part(
        raw_response,
        '</think>',
        (length(raw_response) - length(replace(raw_response, '</think>', '')))/8 + 1
    ) AS raw_label,
    session_id
    FROM testschema.sentiment_raw_results
)
SELECT 
    r.session_id,
    r.dialog_time,
    r.dialog_text,
    CASE 
        WHEN s.raw_label~'负面' THEN '高风险（需优先跟进）'
        WHEN s.raw_label~'正面' THEN '低风险（归档观察）'
        ELSE '中风险（常规处理）'
    END AS risk_level
FROM testschema.chat_records r
JOIN sentiment_results s ON r.session_id = s.session_id
WHERE r.role = 'customer';

结果如下。

session_id	|    dialog_time	|    dialog_text	                |	risk_level		
----------------+-----------------------+-----------------------------------+-------------------
 S001		| 2024-05-01 09:30:00	| 你们的产品质量太差了！刚用三天就坏了！	| 高风险（需优先跟进）	
 S003		| 2024-05-01 11:20:00	| 我需要查询订单物流信息。		| 中风险（常规处理）	
 S002		| 2024-05-01 10:15:00	| 感谢客服耐心指导，问题已完美解决	| 低风险（归档观察）	
(3 rows)