Izveidojiet sentimenta analīzes reakcijas lietojumprogrammu, izmantojot OpenAI API

Digitālajā vidē, iegūstot piekļuvi praktiskiem datiem, jo ​​īpaši specifiskiem ieskatiem par klientiem, jūs varat ievērojami apsteigt konkurentus.

Sentimenta analīze ir kļuvusi par populāru stratēģiju, jo tā rada ticamus rezultātus. Varat to izmantot, lai programmatiski noteiktu cilvēku uzskatus un uztveri par jūsu produktu. Varat atklāt citus svarīgus datu punktus, kurus varat izmantot, lai pieņemtu galvenos biznesa lēmumus.

Izmantojot tādus rīkus kā OpenAI API, varat analizēt un ģenerēt detalizētu un praktisku ieskatu par saviem klientiem. Lasiet tālāk, lai uzzinātu, kā integrēt tā uzlaboto tvītu klasifikatora API, lai analizētu lietotāju ievadītos datus.

Ievads GPT

OpenAI ģeneratīvais iepriekš apmācīts transformators (GPT-3) ir liels valodas modelis, kas apmācīts uz milzīgu teksta datu apjomu, nodrošinot tam iespēju ātri ģenerēt atbildes uz jebkuru tajā ievadīto vaicājumu. Tas izmanto

dabiskās valodas apstrāde vaicājumu izpratnes un apstrādes metodes — lietotāju uzvednēm.

GPT-3 ir ieguvis popularitāti, pateicoties tā spējai apstrādāt lietotāja uzvednes un atbildēt sarunvalodas formātā.

Šis modelis ir īpaši svarīgs noskaņojuma analīzē, jo varat to izmantot, lai precīzi novērtētu un noteiktu klientu noskaņojumu pret produktiem, jūsu zīmolu un citiem galvenajiem rādītājiem.

Iedziļinieties noskaņojuma analīzē, izmantojot GPT

Sentimenta analīze ir dabiskas valodas apstrādes uzdevums, kas ietver teksta datos, piemēram, teikumos un rindkopās, izteiktā noskaņojuma identificēšanu un kategorizēšanu.

GPT var apstrādāt secīgus datus, kas ļauj analizēt noskaņojumu. Viss analīzes process ietver modeļa apmācību ar lielām marķētu teksta datu datu kopām, kas tiek klasificētas kā pozitīvas, negatīvas vai neitrālas.

Pēc tam varat izmantot apmācītu modeli, lai noteiktu jaunu teksta datu noskaņojumu. Būtībā modelis mācās noteikt sentimentus, analizējot teksta modeļus un struktūras. Pēc tam tas klasificē to un ģenerē atbildi.

Turklāt GPT var precīzi pielāgot, lai novērtētu datus no nišas domēniem, piemēram, sociālajiem medijiem vai klientu atsauksmēm. Tas palīdz uzlabot tā precizitāti noteiktos kontekstos, apmācot modeli ar noskaņojuma izteiksmēm, kas ir unikālas konkrētajam domēnam.

Integrēts OpenAI uzlabotais tvītu klasifikators

Šī API izmanto dabiskās valodas apstrādes metodes, lai analizētu teksta datus, piemēram, ziņojumus vai tvītus, lai noteiktu, vai tiem ir pozitīvas, negatīvas vai neitrālas noskaņas.

Piemēram, ja tekstam ir pozitīvs tonis, API to klasificēs kā “pozitīvu”, pretējā gadījumā tas tiks apzīmēts kā “negatīvs” vai “neitrāls”.

Turklāt jūs varat pielāgot kategorijas un izmantot konkrētākus vārdus, lai aprakstītu noskaņojumu. Piemēram, tā vietā, lai noteiktus teksta datus vienkārši atzīmētu kā "pozitīvus", varat izvēlēties aprakstošāku kategoriju, piemēram, "laimīgs".

Konfigurējiet uzlaboto tvītu klasifikatoru

Lai sāktu, dodieties uz OpenAI izstrādātāja konsoleun reģistrējieties kontam. Jums būs nepieciešama API atslēga, lai mijiedarbotos ar uzlaboto tvītu klasifikatora API no savas React lietojumprogrammas.

Pārskata lapā noklikšķiniet uz Profils pogu augšējā labajā stūrī un atlasiet Skatīt API atslēgas.

Pēc tam noklikšķiniet uz Izveidojiet jaunu slepeno atslēgu lai savai lietojumprogrammai ģenerētu jaunu API atslēgu. Noteikti paņemiet atslēgas kopiju izmantošanai nākamajā darbībā.

Izveidojiet React klientu

Ātri sāknējiet savu React projektu lokāli. Pēc tam projekta mapes saknes direktorijā izveidojiet a .env failu, lai saglabātu jūsu API slepeno atslēgu.

REACT_APP_OPEN_AI_API_KEY="jūsu API atslēga"

Jūs varat atrast šī projekta kodu GitHub repozitorijs.

Konfigurējiet App.js komponentu

Atveriet src/App.js failu, izdzēsiet React kodu un aizstājiet to ar šādu:

1. Veiciet šādu importēšanu:

   imports'./App.css';
   imports Reaģējiet, {useState} no'reaģēt';

2. Definējiet funkcionālo lietotnes komponentu un stāvokļa mainīgos, lai saglabātu lietotāja ziņojumu un tā noskaņojumu pēc analīzes.

   funkcijuApp() {
   konst [ziņa, setMessage] = useState("");
   konst [sentiment, setSentiment] = useState("");

3. Izveidojiet apdarinātāja funkciju, kas veiks asinhronus POST HTTP pieprasījumus uzlabotajam tvītam Klasifikators, kas nodod lietotāja ziņojumu un API atslēgu pieprasījuma pamattekstā, lai analizētu sentimenti.
4. Pēc tam funkcija gaidīs atbildi no API, parsēs to kā JSON un no parsētajiem datiem izvilks noskaņojuma vērtību izvēles masīvā.
5. Visbeidzot, apstrādātāja funkcija aktivizēs funkciju setSentiment, lai atjauninātu savu stāvokli ar noskaņojuma vērtību.

   konst API_KEY = process.env. REACT_APP_OPEN_AI_API_KEY;
   konst APIBODY ={
   'modelis': "text-davinci-003",
   'pamudināt': "Kāds ir šīs ziņas noskaņojums?" + ziņa,
   'max_tokens': 60,
   'top_p': 1.0,
   'frekvence_sods': 0.0,
   'presence_penalty': 0.0,
    }
   asinhronsfunkcijurokturisNoklikšķiniet() {
   gaidīt atnest(' https://api.openai.com/v1/completions', {
    metode: 'POST',
    galvenes: {
   "Satura veids": "aplikācija/json",
   "autorizācija": `Nesējs ${API_KEY}`
    },
    korpuss: JSON.stringify (APIBODY)
    }).tad(atbildi => {
   atgriezties response.json()
    }).tad((datus) => {
   konsole.log (dati);
    setSentiment (data.choices[0].text.trim());
    }).catch((kļūda) => {
   konsole.error (kļūda);
    });
    };

Pieprasījuma pamattekstā ir daži parametri, tie ir:

• modelis: norāda, kuru OpenAI modeli izmantot; text-davinci-003 šajā gadījumā.
• uzvedne: uzvedne, ko izmantosit, lai analizētu dotā ziņojuma noskaņojumu.
• max_tokens: norāda maksimālo modelī ievadīto marķieru skaitu, lai novērstu pārmērīgu vai nevajadzīgu modeļa skaitļošanas jaudas izmantošanu un uzlabotu tā vispārējo veiktspēju.
• top_p, frekvences_sods un klātbūtnes_sods: šie parametri pielāgo modeļa izvadi.

Visbeidzot atgrieziet ziņojuma lodziņu un pogu Iesniegt:

atgriezties (
"Lietotne">
"Lietotnes galvene">
 Sentimenta analīzes pieteikums</h2>
"ievade">
 Ievadiet ziņojumu, lai klasificētu </p>
 klasesNosaukums="teksta apgabals"
 tips="teksts"
 vietturis="Ierakstiet savu ziņojumu..."
 cols={50}
 rindas={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Atbilde">
 Saņemt ziņas noskaņojumu</button>
 {sentiments !== ""? <lpp> Ziņojums ir {sentiment} lpp>: null}
 </div>
 </header>
 </div>
 );
}



eksportētnoklusējuma Lietotne;

Izveidojiet lietotāja uzvedni

Pēc izvēles varat izveidot uzvednes ievades lauku, kas ļauj noteikt, kā analizēt ziņojumu.

Piemēram, tā vietā, lai iegūtu "pozitīvu" kā noskaņojumu konkrētam ziņojumam, varat norādīt modelim ģenerējiet atbildes un sarindojiet tās skalā no viena līdz desmit, kur viens ir ārkārtīgi negatīvs, bet desmit ir ārkārtīgi negatīvs pozitīvs.

Pievienojiet šo kodu App.js komponents. Definējiet uzvednes stāvokļa mainīgo:

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

Mainiet uzvedni APIBODY, lai izmantotu uzvednes mainīgā datus:

konst APIBODY = {
// ...
'pamudināt': uzvedne + ziņojums,
// ...
 }

Pievienojiet uzvednes ievades lauku tieši virs ziņojuma teksta apgabala:

 klasesNosaukums="pamudināt"
 tips="teksts"
 vietturis="Ievadiet uzvedni..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Pagrieziet izstrādes serveri, lai atjauninātu veiktās izmaiņas, un dodieties uz http://localhost: 3000, lai pārbaudītu funkcionalitāti.

Sentimenta analīze ir būtiska uzņēmējdarbības prakse, kas var sniegt vērtīgu ieskatu pieredzē un viedokļos saviem klientiem, ļaujot jums pieņemt pārdomātus lēmumus, kas var uzlabot klientu pieredzi un palielināt ieņēmumus.

Izmantojot AI rīkus, piemēram, OpenAI API, varat pilnveidot analīzes cauruļvadus, lai iegūtu precīzu un uzticamu klientu viedokli reāllaikā.