# HN-Erwähnungen: Lob, Kritik und Leseabsicht Prüfen Sie die Haltung zu Büchern oder Entitäten aus JSON oder CSV. Trennen Sie Lob, Kritik, Leseabsicht und neutrale Erwähnungen vor der Empfehlungszählung. > Kanonische Seite: https://elysiatools.com/de/tools/hn-mention-sentiment-positive-negative-classifier - **Kategorie:** AI Tools - **Schlagwörter:** HN, Erwähnungsanalyse, Entitätsstimmung, Buchempfehlungen, Lob, Kritik, Leseliste ## Überblick Bis zu 20 Zeilen mit entity und context; id und commentId sind optional. Der Kontext muss die Entität wörtlich enthalten. Der Hybridmodus sendet nur ungelöste Fälle an OpenRouter mit deepseek/deepseek-v4.1-flash-1017: eine Anfrage, 45 Sekunden, keine Wiederholung oder Ersatzmodelle. Der Regelmodus ruft kein Modell auf. Werte sind heuristisch oder vom Modell angegeben, keine kalibrierte Genauigkeit; Modelle können irren. Gemischte, unsichere oder ungelöste Fälle stimmen nicht automatisch ab. Unterschiedliche Erwähnungen sind keine Empfehlungen. Lob wird nach commentId/Entität oder identischer Entität/Kontext dedupliziert; Aliase bleiben getrennt. JSON, formelsicheres CSV und unbestätigte Korrekturvorlage herunterladen. id und fingerprint beibehalten und confirmed: true setzen; nur dieselbe Eingabe kann korrigiert werden. Dieses Werkzeug erstellt keine dauerhafte Annotationsdatenbank und trainiert keine Modelle. Die Aufbewahrungsrichtlinien der Plattform und des Modellanbieters gelten weiterhin. ## Eingaben - **Erwähnungen (JSON oder CSV)** (textarea) - **Eingabeformat** (select) - **Klassifikationsmodus** (select) - **Bestätigte Korrekturen (JSON, optional)** (textarea) - **Mindestkonfidenz für Lob** (number) ## Wann verwenden - Wenn Buch- oder Softwareempfehlungen aus Diskussionsforen bereinigt werden müssen, um Verrisse und Leselisten auszuschließen. - Wenn Erwähnungen aus CSV- oder JSON-Auszügen nach Entität dedupliziert und nur echtes Lob gezählt werden soll. - Wenn unklare Klassifizierungen per Regelsatz oder hybridem Modellabgleich mit konfigurierbarem Konfidenz-Schwellenwert geprüft werden sollen. ## Funktionsweise - Fügen Sie bis zu 20 Datensätze als JSON oder CSV ein, wobei jede Zeile das Zielfeld 'entity' und den wörtlichen 'context' enthalten muss. - Wählen Sie zwischen dem reinen Regelmodus ohne externe Aufrufe oder dem Hybridmodus, der ungelöste Fälle über OpenRouter (deepseek/deepseek-v4.1-flash-1017) auflöst. - Legen Sie den Konfidenz-Schwellenwert für Lob fest und laden Sie die Ergebnisse als HTML-Audit, JSON oder formelsichere CSV-Datei herunter. ## Anwendungsfälle - Bereinigung von Buchempfehlungslisten aus Hacker-News-Threads durch Aussortieren von Verrissen und Absichtsbekundungen. - Auditierung von Forenbeiträgen zur Messung der tatsächlichen Befürwortung spezifischer Open-Source-Bibliotheken. - Qualitätskontrolle vor der Aggregation von Erwähnungsstatistiken für Fachbücher. ## Häufig gestellte Fragen ### Was passiert bei gemischten oder unsicheren Aussagen? Aussagen mit gemischter Stimmung oder einer Konfidenz unter dem gewählten Schwellenwert werden nicht als Empfehlung gewertet und bleiben ungelöst. ### Muss der Name der Entität exakt im Text vorkommen? Ja, das Feld 'context' muss die angegebene 'entity' zwingend im exakten Wortlaut enthalten. ### Wie werden doppelte Empfehlungen behandelt? Lob wird anhand der commentId und Entität oder bei identischem Entitäts- und Kontext-Wortlaut dedupliziert; Aliase werden nicht zusammengeführt. ### Welche Daten werden im Hybridmodus an externe Dienste übermittelt? Ausschließlich ungelöste Kontexte werden in einem einzigen Aufruf an OpenRouter gesendet; der reine Regelmodus arbeitet komplett ohne API-Aufruf. ### Wie funktionieren manuelle Korrekturen? Über das optionale Feld 'corrections' kann die heruntergeladene Vorlage mit übereinstimmender id, fingerprint und 'confirmed: true' erneut eingespielt werden. ## Ähnliche Tools - [Analysator fuer strukturierte Logs](https://elysiatools.com/de/tools/structured-log-analyzer): Erkennt gaengige Logformate, extrahiert Kernfelder und exportiert als JSON, CSV oder SQL. - [PDF-Tabellenextraktor zu CSV/JSON](https://elysiatools.com/de/tools/pdf-table-extractor-to-csv-json): Extrahiert Tabellen aus PDFs mit OpenDataLoader und exportiert sie als JSON, CSV oder HTML - [Datensatz-Imbalance-Detektor und Resampler](https://elysiatools.com/de/tools/dataset-imbalance-detector-resampler): Erkennt Klassenungleichgewicht in CSV- oder JSON-Datensaetzen, vergleicht Strategien und zeigt ein balanciertes Ergebnis - [Zeitreihen-Prognose- und Saisonalitaetsanalyse](https://elysiatools.com/de/tools/time-series-forecast-seasonality-analyzer): Prognostiziert kuenftige Perioden aus CSV- oder JSON-Zeitreihen und zeigt Trend, Saison und Residuen in einem Bericht - [Train/Test-Split mit Stratifizierung](https://elysiatools.com/de/tools/train-test-split-with-stratification): Liest ein CSV/JSON-Dataset und teilt es stratifiziert nach der Zielspalte in train/validation/test (standardmäßig 70/15/15, reproduzierbarer Seed) oder stratifiziertes k-fold; Bericht zur Klassenverteilung pro Split mit Abweichungsbalken, Leck-Check über doppelte Zeilen, SMOTE-Vorschau (Nächste-Nachbarn-Interpolation auf dem Train-Split) und CSV-Export als ZIP. - [Sprachaktivitäts-Segmentierung](https://elysiatools.com/de/tools/audio-voice-activity-segmentation): Erkennt wahrscheinliche Aktivität im Sprachband und exportiert Sprach-/Nichtsprachbereiche als JSON, CSV, SRT oder FFmpeg-Liste. - [Workbench für unstrukturierten Text zu strukturierten Daten](https://elysiatools.com/de/tools/messy-text-to-structured-data-workbench): Erkennt Tabellen aus eingefügtem Text, gemischten Trennzeichen, Schlüssel-Wert-Zeilen oder HTML und exportiert CSV, JSON und Markdown. - [Mock-Data-Praefix- und Abkuerzungs-Konfliktdetektor](https://elysiatools.com/de/tools/mock-data-naming-conflict-detector): Erkennt visuell verwirrende Feldnamen und Praefixkollisionen in CSV, JSON oder Schemas ## Beispiele - [CSV Beispiele](https://elysiatools.com/de/samples/csv-samples): CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen - [Python Beispiele](https://elysiatools.com/de/samples/python): Python Code-Beispiele und Hello World Demonstrationen - [Distributed Tracing Beispiele](https://elysiatools.com/de/samples/distributed-tracing-samples): Umfassende Beispiele für verteiltes Tracing mit Jaeger, OpenTelemetry und modernen Observability Tools - [AWS EventBridge Beispiele](https://elysiatools.com/de/samples/eventbridge-samples): AWS EventBridge Beispiele einschließlich Event Buses, Rules, Targets, Schema Registry, Custom Events und Cross-Account Event Routing für Serverless Event-Driven Architecture ## Verwandte Inhalte - [HN-Empfehlungen je Entität prüfen und eine Rangliste übergeben](https://elysiatools.com/de/hubs/hn-entity-recommendation-review-and-ranking-handoff): Erstellen Sie aus freigegebenen HN-Kommentaren eine nachvollziehbare Empfehlungsliste: Kontext bewahren, Lob von Kritik und Leseabsicht trennen und Stimmen vor der Übergabe prüfen.