# Отношение в упоминаниях HN: похвала, критика и планы чтения Проверяйте отношение к книге или объекту в JSON и CSV. Отделяйте похвалу, критику, намерение прочитать и нейтральные упоминания перед подсчётом рекомендаций. > Каноническая страница: https://elysiatools.com/ru/tools/hn-mention-sentiment-positive-negative-classifier - **Категория:** AI Tools - **Ключевые слова:** HN, тональность упоминаний, отношение к объекту, рекомендации книг, похвала, критика, чтение ## Обзор До 20 строк с entity и context; id и commentId необязательны. Контекст должен буквально содержать объект. Гибридный режим отправляет только неразрешённые случаи в OpenRouter с моделью deepseek/deepseek-v4.1-flash-1017: один запрос, 45 секунд, без повторов и замены модели. Режим правил не вызывает модель. Оценки эвристические или заявлены моделью, а не калиброванная точность; модель ошибается. Смешанные, неразрешённые случаи и низкая уверенность не дают автоматического голоса. Число упоминаний не равно числу рекомендаций. Похвала дедуплицируется по commentId/объекту либо точной паре объект/контекст; псевдонимы не объединяются. Скачайте JSON, CSV с защитой от формул и неподтверждённый шаблон исправлений. Сохраните id и fingerprint, установите confirmed: true; исправления действуют только для того же ввода. Этот инструмент не создаёт постоянную базу аннотаций и не обучает модели. Политики хранения платформы и поставщика модели по-прежнему действуют. ## Входные данные - **Упоминания (JSON или CSV)** (textarea) - **Формат ввода** (select) - **Режим классификации** (select) - **Подтверждённые исправления (JSON, необязательно)** (textarea) - **Минимальная уверенность для похвалы** (number) ## Когда использовать - Когда нужно отделить реальные рекомендации книг или библиотек в ветках HN от критики и планов на чтение. - При аудите выборки до 20 упоминаний перед агрегацией итоговых рейтингов. - Когда требуется проверить тональность высказываний по строгим правилам без вызова внешних нейросетевых моделей или в гибридном режиме. ## Как это работает - Вы вставляете список упоминаний в формате JSON или CSV с обязательными полями entity и context (контекст должен содержать сущность буквально). - Инструмент проверяет текст детерминированными правилами, а в гибридном режиме отправляет неоднозначные случаи в модель deepseek/deepseek-v4.1-flash-1017 через OpenRouter с тайм-аутом 45 секунд. - Записи сопоставляются с порогом уверенности, исключая смешанные и неразрешённые упоминания из голосов в пользу рекомендации. - Формируется HTML-отчёт с возможностью скачать структурированный JSON, CSV с защитой от инъекций формул и шаблон для ручных исправлений. ## Сценарии использования - Очистка результатов парсинга ежемесячных книжных тредов Ask HN от антирекомендаций. - Проверка реального отношения разработчиков к фреймворку или CLI-утилите в обсуждении запуска проекта. - Подготовка калиброванного набора данных с подтверждёнными вручную классификациями упоминаний. ## Частые вопросы ### Равны ли все положительные упоминания рекомендациям? Нет, рекомендацией считается только похвала с уверенностью выше заданного порога, дедуплицированная по commentId/entity или паре entity/context. ### Чем режим правил отличается от гибридного режима? Режим правил полагается исключительно на эвристические шаблоны без обращений к API, а гибридный режим задействует нейросеть только для спорных контекстов. ### Объединяет ли инструмент синонимы и псевдонимы сущностей? Нет, инструмент не сопоставляет разные написания или синонимы между собой; каждая строка оценивается по буквальному совпадению entity в context. ### Как применить ручные исправления к результатам? Вставьте JSON в поле исправлений, сохранив исходные id и fingerprint и выставив confirmed: true для идентичного набора данных. ### Сохраняются ли переданные фрагменты текста в базе для обучения? Инструмент не создаёт постоянную базу аннотаций и не дообучает модели; действуют только стандартные правила платформ и провайдера API. ## Связанные инструменты - [Анализатор структурированных логов](https://elysiatools.com/ru/tools/structured-log-analyzer): Определяет распространенные форматы логов, извлекает ключевые поля и выводит JSON, CSV или SQL. - [Извлечение таблиц PDF в CSV/JSON](https://elysiatools.com/ru/tools/pdf-table-extractor-to-csv-json): Извлекает таблицы из PDF через OpenDataLoader и экспортирует в JSON, CSV или HTML - [Детектор дисбаланса датасета и ресемплер](https://elysiatools.com/ru/tools/dataset-imbalance-detector-resampler): Выявляет дисбаланс классов в CSV или JSON, сравнивает стратегии ресемплинга и показывает сбалансированный набор - [Анализатор прогноза и сезонности](https://elysiatools.com/ru/tools/time-series-forecast-seasonality-analyzer): Строит прогноз по CSV или JSON временным рядам и показывает тренд, сезонность и остатки в одном отчете - [Разделение train/test со стратификацией](https://elysiatools.com/ru/tools/train-test-split-with-stratification): Читает датасет CSV/JSON и делит на train/validation/test со стратификацией по целевому столбцу (по умолчанию 70/15/15, воспроизводимое зерно) или стратифицированный k-fold; отчёт о распределении классов по сплитам с полосами отклонения, проверка утечек через дубликаты строк, предпросмотр SMOTE (интерполяция ближайших соседей на train) и экспорт CSV в ZIP. - [Сегментация речевой активности](https://elysiatools.com/ru/tools/audio-voice-activity-segmentation): Находит вероятную активность в речевой полосе и экспортирует речь/не-речь в JSON, CSV, SRT или список FFmpeg. - [Мастер преобразования неструктурированного текста в данные](https://elysiatools.com/ru/tools/messy-text-to-structured-data-workbench): Выводит таблицу из текста, смешанных разделителей, строк ключ-значение или HTML и экспортирует CSV, JSON и Markdown. - [Детектор конфликтов префиксов и сокращений в mock-данных](https://elysiatools.com/ru/tools/mock-data-naming-conflict-detector): Находит визуально похожие имена полей и конфликтующие префиксы в CSV, JSON или схемах ## Примеры - [CSV Примеры](https://elysiatools.com/ru/samples/csv-samples): Примеры CSV-файлов с различными типами данных, размерами и уровнями сложности - [Примеры Python](https://elysiatools.com/ru/samples/python): Примеры кода Python и демонстрации Hello World - [Примеры Распределенного Трейсинга](https://elysiatools.com/ru/samples/distributed-tracing-samples): Комплексные примеры распределенного трейсинга с использованием Jaeger, OpenTelemetry и современных инструментов - [Примеры AWS EventBridge](https://elysiatools.com/ru/samples/eventbridge-samples): Примеры AWS EventBridge включая шины событий, правила, цели, реестр схем, пользовательские события и межаккаунтную маршрутизацию событий для бессерверной событийно-ориентированной архитектуры ## Связанные материалы - [Проверка рекомендаций сущностей в комментариях HN и передача рейтинга](https://elysiatools.com/ru/hubs/hn-entity-recommendation-review-and-ranking-handoff): Превратите разрешённую выгрузку HN в прослеживаемые рекомендации: сохраните контекст, отделите похвалу от критики и намерения прочитать, проверьте спорные голоса и дубликаты.