تحلیل خودکار احساسات نظرات محصول با Decodo و Gemini

تجزیه و تحلیل خودکار احساسات نظرات محصول با Decodo و Google Gemini

این گردش کار، فرآیند جمع‌آوری و تجزیه و تحلیل نظرات آنلاین محصول را برای سنجش احساسات مشتری خودکار می‌کند. این ابزار از Decodo برای وب اسکرپینگ و Google Gemini برای تجزیه و تحلیل هوشمند استفاده می‌کند و خلاصه‌ای مختصر را مستقیماً از طریق تلگرام ارائه می‌دهد.

این گردش کار و موارد دیگر را در کاتالوگ Axeto کاوش کنید: Axeto.ai/n8n

نمای کلی گردش کار

این گردش کار برای موارد زیر طراحی شده است:

1. دریافت نام شرکت: با پیامی در تلگرام حاوی نام شرکت فعال می‌شود.

2. جستجوی نظرات: از Decodo برای انجام جستجوی Google برای صفحات نظرات مربوط به شرکت استفاده می‌کند.

3. اسکرپ کردن محتوای نظرات: URLهای مرتبط را از نتایج جستجو استخراج کرده و محتوای هر صفحه نظر را با استفاده از Decodo اسکرپ می‌کند.

4. پاکسازی داده‌های متنی: محتوای HTML اسکرپ شده را پردازش می‌کند تا متن پاک و خوانا را استخراج کرده، نشانه‌گذاری‌ها را حذف و فاصله‌گذاری را نرمال‌سازی کند.

5. تجزیه و تحلیل احساسات (صفحه به صفحه): از یک عامل هوش مصنوعی مجهز به Google Gemini برای تجزیه و تحلیل احساسات، امتیاز و موضوعات کلیدی هر صفحه نظر به صورت جداگانه استفاده می‌کند.

6. تجمیع و خلاصه‌سازی: نتایج تجزیه و تحلیل احساسات را از همه صفحات تجمیع کرده و دوباره از Google Gemini برای تولید یک گزارش خلاصه و مختصر استفاده می‌کند.

7. ارسال گزارش از طریق تلگرام: گزارش نهایی خلاصه‌شده را دوباره به کاربر در چت اصلی تلگرام ارسال می‌کند.

موارد استفاده ایده‌آل:

• بررسی سریع اعتبار برند: به سرعت درک عمومی از یک برند را بر اساس نظرات آنلاین ارزیابی کنید.
• بررسی دقیق قبل از مشارکت: قبل از ورود به همکاری‌ها یا خرید، خلاصه‌ای از بازخورد مشتری دریافت کنید.
• بینش بازار درخواستی: خلاصه‌های فوری از احساسات مشتری را مستقیماً در یک رابط چت دریافت کنید.

---

تجزیه و تحلیل دقیق گردش کار

۱. ورودی و جستجوی اولیه

این بخش به دریافت درخواست کاربر و شروع جستجوی وب می‌پردازد.

• Telegram Trigger (n8n-nodes-base.telegramTrigger):

* هدف: به پیام‌های ورودی در یک ربات تلگرام پیکربندی شده گوش می‌دهد.

* پیکربندی: به اعتبارنامه ربات تلگرام نیاز دارد. نام شرکت را از متن پیام ($json.message.text) و شناسه چت را برای پاسخ‌دهی دریافت می‌کند.

* خروجی: یک شیء رویداد پیام حاوی جزئیات چت و ورودی کاربر.

• Set Search Query (n8n-nodes-base.set):

* هدف: ورودی کاربر را به یک عبارت جستجوی Google قالب‌بندی می‌کند.

* پیکربندی: یک فیلد query ایجاد می‌کند، معمولاً با افزودن "reviews" به نام شرکت (به عنوان مثال، {{ $json.message.text }} reviews).

* ورودی: خروجی از Telegram Trigger.

* خروجی: داده‌های ورودی با فیلد query تکمیل شده است.

• Decodo Google Search (@decodo/n8n-nodes-decodo.decodo):

* هدف: یک جستجوی Google با استفاده از سرویس Decodo اجرا می‌کند.

* پیکربندی:

* Operation: google_search

* Query: از فیلد query تولید شده در مرحله قبل استفاده می‌کند (={{ $json.query }}).

* Credentials: به اعتبارنامه API Decodo نیاز دارد.

* ورودی: خروجی از Set Search Query.

* خروجی: پاسخ JSON از Decodo حاوی نتایج جستجو، از جمله URLها.

۲. استخراج URL و اسکرپ کردن محتوا

این بخش بر شناسایی و بازیابی محتوا از صفحات وب مرتبط تمرکز دارد.

• Extract URLs (n8n-nodes-base.code):

* هدف: نتایج جستجوی Decodo را تجزیه و تحلیل کرده تا تمام URLهای منحصر به فرد را پیدا و استخراج کند، به جز نتیجه اول (که اغلب صفحه خود موتور جستجو است).

* منطق: به طور بازگشتی پاسخ JSON را برای فیلدهایی به نام url که با http شروع می‌شوند، جستجو می‌کند. URLهای یافت شده را حذف تکرار کرده و اولین مورد را حذف می‌کند.

* ورودی: خروجی از Decodo Google Search.

* خروجی: چندین مورد، هر کدام حاوی یک URL استخراج شده ({ url: "..." }).

• Decodo Scrape Page (@decodo/n8n-nodes-decodo.decodo):

* هدف: محتوای هر URL استخراج شده را با استفاده از قابلیت‌های اسکرپینگ Decodo واکشی می‌کند.

* پیکربندی:

* Operation: (به طور ضمنی بر اساس زمینه اسکرپینگ)

* URL: URL را از مورد ورودی می‌گیرد (={{ $json.url }}).

* Credentials: از همان اعتبارنامه Decodo استفاده می‌کند.

* ورودی: خروجی از Extract URLs (یک مورد در هر URL).

* خروجی: نتایج اسکرپینگ برای هر صفحه، معمولاً حاوی محتوای HTML صفحه (به عنوان مثال، در results[0].content).

۳. پاکسازی متن

این مرحله با حذف نشانه‌گذاری HTML، محتوای اسکرپ شده را برای تجزیه و تحلیل هوش مصنوعی آماده می‌کند.

• Clean HTML (n8n-nodes-base.code):

* هدف: محتوای خام HTML را به متن ساده و پاک تبدیل می‌کند.

* منطق:

* محتوای HTML را می‌خواند (به عنوان مثال، از item.results[0].content).

* تگ‌های <script>، <style> و <noscript> را حذف می‌کند.

* تمام تگ‌های HTML باقی‌مانده را حذف می‌کند.

* موجودیت‌های HTML را رمزگشایی کرده و فاصله‌گذاری را نرمال‌سازی می‌کند.

* ورودی: خروجی از Decodo Scrape Page.

* خروجی: هر مورد با فیلد text_clean حاوی متن پاک شده تکمیل می‌شود.

۴. حلقه تجزیه و تحلیل احساسات

این بخش از طریق هر صفحه نظر پاک شده تکرار شده و تجزیه و تحلیل احساسات را با استفاده از Google Gemini انجام می‌دهد.

• Split in Batches (n8n-nodes-base.splitInBatches):

* هدف: فرآیند تکرار را کنترل کرده و موارد (متن نظرات پاک شده) را یکی یکی یا در دسته‌های کوچک به گره تجزیه و تحلیل احساسات تغذیه می‌کند. این یک الگوی رایج برای حلقه‌ها در n8n است.

* ورودی: خروجی از Clean HTML.

* خروجی: موارد جداگانه را به گره بعدی در حلقه تغذیه می‌کند.

• Google Gemini Chat Model (@n8n/n8n-nodes-langchain.lmChatGoogleGemini):

* هدف: مدل زبان پایه (Google Gemini) را برای عامل هوش مصنوعی فراهم می‌کند.

* پیکربندی: از طریق اعتبارنامه‌های n8n برای Google Gemini پیکربندی شده است. به گره عامل هوش مصنوعی متصل است.

* ورودی/خروجی: به عنوان یک ارائه‌دهنده سرویس به عامل هوش مصنوعی عمل می‌کند.

• Analyze Sentiment (AI Agent) (@n8n/n8n-nodes-langchain.agent):

* هدف: از Google Gemini برای تجزیه و تحلیل احساسات، امتیاز و موضوعات متن نظر پاک شده استفاده می‌کند.

* پیکربندی:

* Prompt: هوش مصنوعی را برای عمل به عنوان یک موتور احساسات و بازگرداندن JSON ساختاریافته هدایت می‌کند.

* Input Data: متن پاک شده را تزریق می‌کند ({{ $json.text_clean }}).

* AI Model: به گره Google Gemini Chat Model متصل است.

* اسکیما خروجی مورد انتظار:

```json

{

"sentiment": "positive | neutral | negative",

"score": 0.0-1.0,

"topics": ["topic1", "topic2"]

}

```

* ورودی: خروجی از Split in Batches (یک مورد متن پاک شده در هر بار).

* خروجی: خروجی JSON ساختاریافته عامل هوش مصنوعی، که معمولاً در json.output ذخیره می‌شود.

۵. تجمیع و تولید گزارش نهایی

مرحله نهایی نتایج تجزیه و تحلیل را جمع‌آوری کرده و خلاصه را ارائه می‌دهد.

• Merge Results (n8n-nodes-base.code):

* هدف: تمام نتایج تجزیه و تحلیل احساسات فردی را جمع‌آوری کرده و آنها را در یک بلوک متنی واحد ترکیب می‌کند.

* منطق: تمام موارد پردازش شده توسط حلقه را جمع‌آوری کرده و آنها را در یک رشته واحد (aggregated_report) قالب‌بندی می‌کند و نتایج هر صفحه را جدا می‌کند.

* ورودی: تمام خروجی‌های گره Analyze Sentiment (پس از اتمام حلقه).

* خروجی: یک مورد واحد حاوی رشته aggregated_report.

• Google Gemini Chat Model (for Summary) (@n8n/n8n-nodes-langchain.lmChatGoogleGemini):

* هدف: مدل Google Gemini را برای وظیفه خلاصه‌سازی نهایی فراهم می‌کند.

* پیکربندی: مشابه گره Gemini قبلی، به عامل هوش مصنوعی خلاصه‌سازی متصل است.

• Draft Final Report (AI Agent) (@n8n/n8n-nodes-langchain.agent):

* هدف: یک گزارش خلاصه مختصر و نقطه‌ای بر اساس داده‌های احساسات تجمیع شده تولید می‌کند.

* پیکربندی:

* Prompt: هوش مصنوعی را برای ایجاد یک گزارش واقعی و مختصر (حداکثر ۲۰۰ کلمه) به صورت نقطه‌ای، با استفاده فقط از داده‌های ارائه شده، هدایت می‌کند.

* Input Data: از رشته aggregated_report استفاده می‌کند ({{ $json.aggregated_report }}).

* AI Model: به Google Gemini Chat Model برای خلاصه‌سازی متصل است.

* ساختار خروجی مطلوب:

* امتیاز احساسات

* صدای مشتری (۲ نکته)

* حکم عملی (۱ جمله)

* ورودی: خروجی از Merge Results.

* خروجی: متن گزارش نهایی خلاصه‌شده، معمولاً در json.output.

• Reply to User (n8n-nodes-base.telegram):

* هدف: گزارش خلاصه نهایی را از طریق تلگرام به کاربر ارسال می‌کند.

* پیکربندی:

* Text: از خروجی گره Draft Final Report استفاده می‌کند (={{ $json.output }}).

* Chat ID: از شناسه چت گرفته شده از تریگر اولیه تلگرام استفاده می‌کند (={{ $('Get Message').first().json.message.chat.id }}).

* ورودی: خروجی از Draft Final Report.

* خروجی: تأیید ارسال پیام از طریق API تلگرام.