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.

Elysia Tools

Mobile Navigation

AI Tools

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.

Einzelheiten

Wobei dieses Tool hilft

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.

Ausführung

Dieses Tool ausführen

Fülle das Formular aus, starte das Tool und prüfe das Ergebnis an einem Ort.

Beispiele

Beispiele zu diesem Tool

Verwandt

Mit verwandten Tools und Themen fortfahren

{ "mentions": "[{\"id\": \"praise\", \"entity\": \"Dune\", \"context\": \"I loved Dune.\", \"commentId\": \"101\"}, {\"id\": \"critique\", \"entity\": \"Dune\", \"context\": \"I hated Dune.\", \"commentId\": \"102\"}, {\"id\": \"reading\", \"entity\": \"Dune\", \"context\": \"I wanted to read Dune.\", \"commentId\": \"103\"}]", "format": "json", "mode": "rules", "threshold": 0.85 }

HN-Erwähnungen: Lob, Kritik und Leseabsicht

Wobei dieses Tool hilft

Dieses Tool ausführen

Beispiele zu diesem Tool

Mit verwandten Tools und Themen fortfahren

Erfahren Sie, wann dieses Tool passt, was es unterstützt und wie Nutzer es anwenden.

Wichtige Fakten

Überblick

Wann verwenden

So funktioniert es

Anwendungsfälle

Beispiele

1. Erwähnungen nach Haltung trennen

2. CSV-Auszug mit gemischtem Urteil prüfen

FAQ

CSV Beispiele

Python Beispiele

Distributed Tracing Beispiele

AWS EventBridge Beispiele

Analysator fuer strukturierte Logs

PDF-Tabellenextraktor zu CSV/JSON

Datensatz-Imbalance-Detektor und Resampler

Zeitreihen-Prognose- und Saisonalitaetsanalyse

HN-Empfehlungen je Entität prüfen und eine Rangliste übergeben