Δημιουργήστε μια εφαρμογή React Analysis Sentiment χρησιμοποιώντας το OpenAI API

Στο ψηφιακό τοπίο, η απόκτηση πρόσβασης σε δεδομένα με δυνατότητα δράσης, ιδιαίτερα σε συγκεκριμένες πληροφορίες για τους πελάτες σας, μπορεί να σας φέρει πολύ μπροστά από τον ανταγωνισμό.

Η ανάλυση συναισθήματος έχει γίνει μια δημοφιλής στρατηγική αφού παράγει αξιόπιστα αποτελέσματα. Μπορείτε να το χρησιμοποιήσετε για να προσδιορίσετε μέσω προγραμματισμού τις απόψεις και τις αντιλήψεις των ανθρώπων για το προϊόν σας. Μπορείτε να ανακαλύψετε άλλα σημαντικά σημεία δεδομένων που μπορείτε να χρησιμοποιήσετε για να λάβετε βασικές επιχειρηματικές αποφάσεις.

Με εργαλεία όπως τα API του OpenAI, μπορείτε να αναλύσετε και να δημιουργήσετε λεπτομερείς και εφαρμόσιμες πληροφορίες για τους πελάτες σας. Διαβάστε παρακάτω για να μάθετε πώς να ενσωματώνετε το προηγμένο API του ταξινομητή tweet για την ανάλυση των εισροών των χρηστών.

Εισαγωγή στο GPT

Ο Generative Pre-trained Transformer (GPT-3) του OpenAI είναι ένα μεγάλο μοντέλο γλώσσας που εκπαιδεύεται σε τεράστιες ποσότητες δεδομένων κειμένου, δίνοντάς του τη δυνατότητα να παράγει γρήγορα απαντήσεις σε οποιοδήποτε ερώτημα τροφοδοτείται σε αυτό. Αξιοποιεί επεξεργασία φυσικής γλώσσας τεχνικές κατανόησης και επεξεργασίας των ερωτημάτων — προτροπές των χρηστών.

Το GPT-3 έχει κερδίσει δημοτικότητα λόγω της ικανότητάς του να επεξεργάζεται τα μηνύματα των χρηστών και να απαντά σε μορφή συνομιλίας.

Αυτό το μοντέλο είναι ιδιαίτερα σημαντικό στην ανάλυση συναισθήματος, καθώς μπορείτε να το χρησιμοποιήσετε για να αξιολογήσετε και να προσδιορίσετε με ακρίβεια το συναίσθημα των πελατών για τα προϊόντα, την επωνυμία σας και άλλες βασικές μετρήσεις.

Βυθιστείτε στην ανάλυση συναισθήματος χρησιμοποιώντας το GPT

Η ανάλυση συναισθήματος είναι μια εργασία επεξεργασίας φυσικής γλώσσας που περιλαμβάνει τον εντοπισμό και την κατηγοριοποίηση του συναισθήματος που εκφράζεται σε δεδομένα κειμένου, όπως προτάσεις και παραγράφους.

Το GPT μπορεί να επεξεργάζεται διαδοχικά δεδομένα που καθιστούν δυνατή την ανάλυση των συναισθημάτων. Η όλη διαδικασία ανάλυσης περιλαμβάνει την εκπαίδευση του μοντέλου με μεγάλα σύνολα δεδομένων επισημασμένων δεδομένων κειμένου που κατηγοριοποιούνται ως θετικά, αρνητικά ή ουδέτερα.

Στη συνέχεια, μπορείτε να χρησιμοποιήσετε ένα εκπαιδευμένο μοντέλο για να προσδιορίσετε το συναίσθημα των νέων δεδομένων κειμένου. Ουσιαστικά, το μοντέλο μαθαίνει να εντοπίζει συναισθήματα αναλύοντας μοτίβα και δομές κειμένου. Στη συνέχεια, το κατηγοριοποιεί και δημιουργεί μια απάντηση.

Επιπλέον, το GPT μπορεί να ρυθμιστεί με ακρίβεια για την αξιολόγηση δεδομένων από εξειδικευμένους τομείς, όπως τα μέσα κοινωνικής δικτύωσης ή τα σχόλια πελατών. Αυτό βοηθά στη βελτίωση της ακρίβειάς του σε συγκεκριμένα περιβάλλοντα εκπαιδεύοντας το μοντέλο με εκφράσεις συναισθημάτων μοναδικές σε αυτόν τον συγκεκριμένο τομέα.

Ενσωματωμένος OpenAI Advanced Tweet Classifier

Αυτό το API χρησιμοποιεί τεχνικές επεξεργασίας φυσικής γλώσσας για την ανάλυση δεδομένων κειμένου, όπως μηνύματα ή tweets, για να προσδιορίσει εάν έχουν θετικά, αρνητικά ή ουδέτερα συναισθήματα.

Για παράδειγμα, εάν ένα κείμενο έχει θετικό τόνο, το API θα το κατηγοριοποιήσει ως "θετικό" διαφορετικά, θα χαρακτηριστεί ως "αρνητικό" ή "ουδέτερο".

Επιπλέον, μπορείτε να προσαρμόσετε τις κατηγορίες και να χρησιμοποιήσετε πιο συγκεκριμένες λέξεις για να περιγράψετε το συναίσθημα. Για παράδειγμα, αντί απλώς να επισημαίνετε συγκεκριμένα δεδομένα κειμένου ως "θετικά", θα μπορούσατε να επιλέξετε μια πιο περιγραφική κατηγορία όπως "ευτυχισμένος".

Διαμόρφωση του Advanced Tweet Classifier

Για να ξεκινήσετε, κατευθυνθείτε στο Κονσόλα προγραμματιστή του OpenAIκαι εγγραφείτε για λογαριασμό. Θα χρειαστείτε το κλειδί API για να αλληλεπιδράσετε με το προηγμένο API ταξινομητή tweet από την εφαρμογή React.

Στη σελίδα επισκόπησης, κάντε κλικ στο Προφίλ κουμπί στην επάνω δεξιά γωνία και επιλέξτε Προβολή κλειδιών API.

Στη συνέχεια κάντε κλικ στο Δημιουργήστε νέο μυστικό κλειδί για να δημιουργήσετε ένα νέο κλειδί API για την εφαρμογή σας. Βεβαιωθείτε ότι έχετε πάρει ένα αντίγραφο του κλειδιού για χρήση στο επόμενο βήμα.

Δημιουργήστε έναν πελάτη React

Γρήγορα εκκινήστε το έργο σας στο React τοπικά. Στη συνέχεια, στον ριζικό κατάλογο του φακέλου του έργου σας, δημιουργήστε ένα .env αρχείο για να κρατήσει το μυστικό κλειδί API σας.

REACT_APP_OPEN_AI_API_KEY="το κλειδί API σας"

Μπορείτε να βρείτε τον κωδικό αυτού του έργου σε αυτό Αποθετήριο GitHub.

Διαμορφώστε το στοιχείο App.js

Ανοιξε το src/App.js αρχείο, διαγράψτε τον κωδικό React του boilerplate και αντικαταστήστε τον με το ακόλουθο:

1. Κάντε τις ακόλουθες εισαγωγές:

   εισαγωγή"./App.css";
   εισαγωγή React, {useState} από'αντιδρώ';

2. Καθορίστε το λειτουργικό στοιχείο της εφαρμογής και τις μεταβλητές κατάστασης για να κρατούν το μήνυμα ενός χρήστη και το συναίσθημά του μετά την ανάλυση.

   λειτουργίαApp() {
   συνθ [message, setMessage] = useState("");
   συνθ [συναίσθημα, setSentiment] = useState("");

3. Δημιουργήστε μια συνάρτηση χειριστή που θα κάνει ασύγχρονα αιτήματα POST HTTP στο Advanced Tweet Ο ταξινομητής περνά κατά μήκος του μηνύματος του χρήστη και του κλειδιού API στο σώμα του αιτήματος για την ανάλυση του αισθήματα.
4. Στη συνέχεια, η συνάρτηση θα περιμένει την απάντηση από το API, θα την αναλύσει ως JSON και θα εξαγάγει την τιμή συναισθήματος στον πίνακα επιλογών από τα αναλυμένα δεδομένα.
5. Τέλος, η συνάρτηση χειριστή θα ενεργοποιήσει τη συνάρτηση setSentiment για να ενημερώσει την κατάστασή της με την τιμή συναισθήματος.

   συνθ API_KEY = process.env. REACT_APP_OPEN_AI_API_KEY;
   συνθ ΑΠΙΒΩΜΑ ={
   'μοντέλο': "text-davinci-003",
   'προτροπή': "Ποιο είναι το συναίσθημα αυτού του μηνύματος;" + μήνυμα,
   'max_tokens': 60,
   'top_p': 1.0,
   'frequency_penalty': 0.0,
   'presence_penalty': 0.0,
    }
   ασυγχρονισμόςλειτουργίαhandleClick() {
   αναμένω φέρω(' https://api.openai.com/v1/completions', {
    μέθοδος: 'ΘΕΣΗ',
    κεφαλίδες: {
   'Τύπος περιεχομένου': 'application/json',
   'εξουσιοδότηση': `Φορέας ${API_KEY}`
    },
    σώμα: JSON.stringify (APIBODY)
    }).έπειτα(απάντηση => {
   ΕΠΙΣΤΡΟΦΗ answer.json()
    }).έπειτα((δεδομένα) => {
   κονσόλα.log (δεδομένα);
    setSentiment (data.choices[0].text.trim());
    }).σύλληψη((λάθος) => {
   κονσόλα.λάθος (σφάλμα);
    });
    };

Το σώμα του αιτήματος περιέχει μερικές παραμέτρους, οι οποίες είναι:

• μοντέλο: καθορίζει ποιο μοντέλο OpenAI θα χρησιμοποιηθεί. text-davinci-003 σε αυτήν την περίπτωση.
• prompt: η προτροπή που θα χρησιμοποιήσετε για να αναλύσετε το συναίσθημα του συγκεκριμένου μηνύματος.
• max_tokens: καθορίζει τον μέγιστο αριθμό κουπονιών που τροφοδοτούνται στο μοντέλο για να αποτρέψει την υπερβολική ή περιττή χρήση της υπολογιστικής ισχύος του μοντέλου και να βελτιώσει τη συνολική του απόδοση.
• top_p, frequency_penalty και present_penalty: αυτές οι παράμετροι προσαρμόζουν την έξοδο του μοντέλου.

Τέλος, επιστρέψτε το πλαίσιο μηνύματος και το κουμπί υποβολής:

ΕΠΙΣΤΡΟΦΗ (
"Εφαρμογή">
"Επικεφαλίδα εφαρμογής">
 Εφαρμογή Ανάλυσης Συναισθήματος</h2>
"εισαγωγή">
 Εισαγάγετε το μήνυμα για ταξινόμηση </p>
 className="TextArea"
 τύπος="κείμενο"
 placeholder="Πληκτρολογήστε το μήνυμά σας..."
 cols={50}
 σειρές ={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Απάντηση">
 Λήψη συναισθήματος μηνύματος</button>
 {συναίσθημα !== ""? <Π> Το μήνυμα είναι {sentiment} Π>: μηδενικό}
 </div>
 </header>
 </div>
 );
}



εξαγωγήΠροκαθορισμένο Εφαρμογή?

Δημιουργήστε μια προτροπή χρήστη

Μπορείτε προαιρετικά να δημιουργήσετε ένα πεδίο εισαγωγής προτροπής για να σας επιτρέψει να ορίσετε τον τρόπο ανάλυσης του μηνύματος.

Για παράδειγμα, αντί να γίνετε «θετικός» ως συναίσθημα για ένα συγκεκριμένο μήνυμα, μπορείτε να δώσετε εντολή στο μοντέλο να δημιουργήστε απαντήσεις και κατατάξτε τις σε μια κλίμακα από το ένα έως το δέκα, όπου το ένα είναι εξαιρετικά αρνητικό ενώ το δέκα είναι εξαιρετικά θετικός.

Προσθέστε αυτόν τον κωδικό στο App.js συστατικό. Ορίστε μια μεταβλητή κατάστασης για την προτροπή:

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

Τροποποιήστε την προτροπή στο APIBODY για να χρησιμοποιήσετε τα δεδομένα μεταβλητής προτροπής:

συνθ ΑΠΙΒΩΜΑ = {
// ...
'προτροπή': προτροπή + μήνυμα,
// ...
 }

Προσθέστε ένα πεδίο εισαγωγής προτροπής, ακριβώς πάνω από την περιοχή κειμένου μηνύματος:

 className="προτροπή"
 τύπος="κείμενο"
 placeholder="Εισαγωγή προτροπής..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Περιστρέψτε τον διακομιστή ανάπτυξης για να ενημερώσετε τις αλλαγές που έγιναν και μεταβείτε στον http://localhost: 3000 για να δοκιμάσετε τη λειτουργικότητα.

Η ανάλυση συναισθήματος είναι μια βασική επιχειρηματική πρακτική που μπορεί να προσφέρει πολύτιμες γνώσεις για τις εμπειρίες και τις απόψεις του τους πελάτες σας, δίνοντάς σας τη δυνατότητα να λαμβάνετε τεκμηριωμένες αποφάσεις που μπορούν να οδηγήσουν σε βελτιωμένες εμπειρίες πελατών και αυξημένα έσοδα.

Με τη βοήθεια εργαλείων τεχνητής νοημοσύνης όπως τα OpenAI API, μπορείτε να βελτιστοποιήσετε τους αγωγούς ανάλυσης για να λαμβάνετε ακριβή και αξιόπιστα συναισθήματα πελατών σε πραγματικό χρόνο.