Byg en sentimentanalysereaktapplikation ved hjælp af OpenAI API

I det digitale landskab kan få adgang til handlingsrettede data, især specifik indsigt om dine kunder, bringe dig et godt stykke foran konkurrenterne.

Sentimentanalyse er blevet en populær strategi, da den genererer pålidelige resultater. Du kan bruge den til programmatisk at identificere folks synspunkter og opfattelser af dit produkt. Du kan opdage andre vigtige datapunkter, som du kan bruge til at træffe vigtige forretningsbeslutninger.

Med værktøjer som OpenAI's API'er kan du analysere og generere detaljerede og handlingsrettede indsigter om dine kunder. Læs videre for at lære, hvordan man integrerer dens avancerede tweet-klassificerings-API for at analysere brugernes input.

En introduktion til GPT

OpenAI's Generative Pre-trained Transformer (GPT-3) er en stor sprogmodel, der trænes på enorme mængder tekstdata, hvilket giver den mulighed for hurtigt at generere svar på enhver forespørgsel, der føres ind i den. det udnytter

naturlig sprogbehandling teknikker til at forstå og behandle forespørgslerne — brugernes opfordringer.

GPT-3 har vundet popularitet på grund af dens evne til at behandle brugermeddelelser og svare i et samtaleformat.

Denne model er særlig vigtig i sentimentanalyse, da du kan bruge den til nøjagtigt at vurdere og bestemme kundernes stemning over for produkter, dit brand og andre nøglemålinger.

Dyk ned i sentimentanalyse ved hjælp af GPT

Følelsesanalyse er en naturlig sprogbehandlingsopgave, der involverer identifikation og kategorisering af stemningen udtrykt i tekstdata såsom sætninger og afsnit.

GPT kan behandle sekventielle data, hvilket gør det muligt at analysere følelserne. Hele analyseprocessen involverer træning af modellen med store datasæt af mærkede tekstdata, der er kategoriseret som enten positive, negative eller neutrale.

Du kan derefter bruge en trænet model til at bestemme følelsen af ​​nye tekstdata. I det væsentlige lærer modellen at identificere følelser ved at analysere mønstre og strukturer i tekst. Det kategoriserer det derefter og genererer et svar.

Ydermere kan GPT finjusteres til at vurdere data fra nichedomæner, såsom sociale medier eller kundefeedback. Dette hjælper med at forbedre dens nøjagtighed i specifikke sammenhænge ved at træne modellen med følelsesudtryk, der er unikke for det pågældende domæne.

Integreret OpenAI Advanced Tweet Classifier

Denne API bruger naturlige sprogbehandlingsteknikker til at analysere tekstdata såsom beskeder eller tweets for at afgøre, om de har positive, negative eller neutrale følelser.

For eksempel, hvis en tekst har en positiv tone, vil API'en kategorisere den som "positiv", ellers vil den blive mærket som "negativ" eller "neutral".

Desuden kan du tilpasse kategorierne og bruge mere specifikke ord til at beskrive følelsen. For eksempel, i stedet for blot at mærke bestemte tekstdata som "positive", kan du vælge en mere beskrivende kategori som "glad".

Konfigurer den avancerede tweetklassificering

Gå over til for at komme i gang OpenAI's udviklerkonsol, og tilmeld dig en konto. Du skal bruge din API-nøgle for at interagere med den avancerede tweet-klassificerings-API fra din React-applikation.

På oversigtssiden skal du klikke på Profil knappen øverst til højre, og vælg Se API-nøgler.

Klik derefter på Opret ny hemmelig nøgle for at generere en ny API-nøgle til din applikation. Sørg for at tage en kopi af nøglen til brug i næste trin.

Opret en React Client

Hurtigt bootstrap dit React-projekt lokalt. Derefter skal du i rodmappen i din projektmappe oprette en .env fil for at holde din API hemmelige nøgle.

REACT_APP_OPEN_AI_API_KEY='din API-nøgle'

Du kan finde dette projekts kode i denne GitHub-depot.

Konfigurer App.js-komponenten

Åbn src/App.js fil, slet boilerplate React-koden, og erstat den med følgende:

1. Foretag følgende importer:

   importere'./App.css';
   importere Reager, {useState} fra'reagere';

2. Definer den funktionelle app-komponent og tilstandsvariablerne til at holde en brugers besked og dens følelse efter analysen.

   fungereApp() {
   konst [message, setMessage] = useState("");
   konst [sentiment, setSentiment] = useState("");

3. Opret en behandlerfunktion, der vil lave asynkrone POST HTTP-anmodninger til det avancerede tweet Klassifikator videresender brugerens meddelelse og API-nøglen i anmodningens krop for at analysere følelser.
4. Funktionen afventer derefter svaret fra API'et, parser det som JSON og udtrækker sentimentværdien i valg-arrayet fra de parsede data.
5. Til sidst vil behandlerfunktionen udløse setSentiment-funktionen for at opdatere dens tilstand med sentimentværdien.

   konst API_KEY = proces.env. REACT_APP_OPEN_AI_API_KEY;
   konst APIBODY ={
   'model': "text-davinci-003",
   'hurtig': "Hvad er følelsen af ​​denne besked?" + besked,
   'max_tokens': 60,
   'top_p': 1.0,
   'frequency_penalty': 0.0,
   'tilstedeværelsesstraf': 0.0,
    }
   asynkronfungerehandleKlik() {
   vente hente(' https://api.openai.com/v1/completions', {
    metode: 'STOLPE',
    overskrifter: {
   'Indholdstype': 'applikation/json',
   'bemyndigelse': 'Bærer ${API_KEY}`
    },
    legeme: JSON.stringify (APIBODY)
    }).derefter(respons => {
   Vend tilbage response.json()
    }).derefter((data) => {
   konsol.log (data);
    sætSentiment (data.valg[0].text.trim());
    }).fangst((fejl) => {
   konsol.fejl (fejl);
    });
    };

Anmodningsteksten indeholder et par parametre, disse er:

• model: specificerer hvilken OpenAI-model der skal bruges; text-davinci-003 i dette tilfælde.
• prompt: den prompt, du vil bruge til at analysere følelsen af ​​den givne besked.
• max_tokens: angiver det maksimale antal tokens, der føres ind i modellen for at forhindre overdreven eller unødvendig brug af modellens computerkraft og forbedre dens overordnede ydeevne.
• top_p, frequency_penalty og presence_penalty: Disse parametre justerer modellens output.

Til sidst returnerer du beskedboksen og indsend-knappen:

Vend tilbage (
"App">
"App-header">
 Applikation til sentimentanalyse</h2>
"input">
 Indtast beskeden for at klassificere </p>
 klassenavn="tekstområde"
 type="tekst"
 pladsholder="Skriv din besked..."
 cols={50}
 rækker={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Respons">
 Få beskedfølelse</button>
 {følelse !== ""? <s> Beskeden er {sentiment} s>: nul}
 </div>
 </header>
 </div>
 );
}



eksportStandard App;

Opret en brugerprompt

Du kan valgfrit oprette et promptindtastningsfelt, så du kan definere, hvordan meddelelsen skal analyseres.

For eksempel, i stedet for at blive "positiv" som stemningen for en bestemt besked, kan du instruere modellen til at generere svar og rangordne dem på en skala fra et til ti, hvor én er ekstrem negativ, mens ti er ekstrem positiv.

Tilføj denne kode til App.js komponent. Definer en tilstandsvariabel for prompten:

konst [prompt, setPrompt] = useState("");

Rediger prompten på APIBODY for at bruge promptens variable data:

konst APIBODY = {
// ...
'hurtig': prompt + besked,
// ...
 }

Tilføj et promptindtastningsfelt lige over meddelelsestekstområdet:

 klassenavn="hurtig"
 type="tekst"
 pladsholder="Enter prompt..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Drej udviklingsserveren op for at opdatere de foretagne ændringer og gå over til http://localhost: 3000 for at teste funktionaliteten.

Følelsesanalyse er en væsentlig forretningspraksis, der kan give værdifuld indsigt i erfaringer og meninger fra dine kunder, hvilket gør dig i stand til at træffe informerede beslutninger, der kan føre til forbedrede kundeoplevelser og øget omsætning.

Ved hjælp af AI-værktøjer såsom OpenAI API'er kan du strømline dine analysepipelines for at få nøjagtige og pålidelige kundetilkendegivelser i realtid.