Sukurkite nuotaikų analizės reakcijos programą naudodami OpenAI API

Skaitmeninėje aplinkoje gavęs prieigą prie veiksmingų duomenų, ypač konkrečių įžvalgų apie savo klientus, galite gerokai pralenkti konkurentus.

Sentimentų analizė tapo populiari strategija, nes ji sukuria patikimus rezultatus. Galite jį naudoti norėdami programiškai nustatyti žmonių požiūrį ir suvokimą apie jūsų produktą. Galite atrasti kitų svarbių duomenų taškų, kuriuos galite naudoti priimdami pagrindinius verslo sprendimus.

Naudodami tokius įrankius kaip OpenAI API, galite analizuoti ir generuoti išsamias ir veiksmingas įžvalgas apie savo klientus. Skaitykite toliau, kad sužinotumėte, kaip integruoti pažangų tviterinių pranešimų klasifikatoriaus API, kad būtų galima analizuoti vartotojų įvestis.

Įvadas į GPT

„OpenAI Generative Pre-Tained Transformer“ (GPT-3) yra didelis kalbos modelis, parengtas naudojant didžiulius tekstinių duomenų kiekius, todėl jis gali greitai generuoti atsakymus į bet kokią užklausą. Jis naudoja

natūralios kalbos apdorojimas metodus užklausoms suprasti ir apdoroti — vartotojų raginimai.

GPT-3 išpopuliarėjo dėl galimybės apdoroti vartotojo raginimus ir atsakyti pokalbio formatu.

Šis modelis ypač svarbus atliekant nuotaikų analizę, nes galite jį naudoti norėdami tiksliai įvertinti ir nustatyti klientų požiūrį į produktus, jūsų prekės ženklą ir kitus pagrindinius rodiklius.

Pasinerkite į jausmų analizę naudojant GPT

Sentimentų analizė yra natūralios kalbos apdorojimo užduotis, apimanti nuotaikų, išreikštų tekstiniais duomenimis, pvz., sakiniais ir pastraipomis, identifikavimą ir skirstymą į kategorijas.

GPT gali apdoroti nuoseklius duomenis, kad būtų galima analizuoti jausmus. Visas analizės procesas apima modelio mokymą naudojant didelius pažymėtų tekstinių duomenų rinkinius, kurie yra suskirstyti į teigiamus, neigiamus arba neutralius.

Tada galite naudoti išmokytą modelį, kad nustatytumėte naujų tekstinių duomenų nuotaikas. Iš esmės, modelis mokosi atpažinti jausmus analizuodamas teksto modelius ir struktūras. Tada jis suskirsto jį į kategorijas ir sukuria atsakymą.

Be to, GPT galima tiksliai sureguliuoti, kad būtų galima įvertinti duomenis iš nišinių domenų, pvz., socialinės žiniasklaidos ar klientų atsiliepimų. Tai padeda pagerinti jo tikslumą tam tikruose kontekstuose, lavinant modelį su nuotaikų išraiškomis, unikaliomis toje konkrečioje srityje.

Integruotas „OpenAI Advanced Tweet“ klasifikatorius

Ši API naudoja natūralios kalbos apdorojimo metodus, kad analizuotų tekstinius duomenis, pvz., pranešimus ar tviterius, kad nustatytų, ar jie turi teigiamų, neigiamų ar neutralių nuotaikų.

Pavyzdžiui, jei tekstas turi teigiamą atspalvį, API priskirs jį kategorijai „teigiamas“, kitu atveju jis bus pažymėtas kaip „neigiamas“ arba „neutralus“.

Be to, galite tinkinti kategorijas ir naudoti konkretesnius žodžius nuotaikai apibūdinti. Pavyzdžiui, užuot tiesiog pažymėję tam tikrus teksto duomenis kaip „teigiami“, galite pasirinkti labiau apibūdinančią kategoriją, pvz., „laimingas“.

Sukonfigūruokite išplėstinį „Tweet“ klasifikatorių

Norėdami pradėti, eikite į „OpenAI“ kūrėjų pultasir prisiregistruokite prie paskyros. Jums reikės API rakto, kad galėtumėte sąveikauti su išplėstine tviterinių pranešimų klasifikatoriaus API iš savo „React“ programos.

Apžvalgos puslapyje spustelėkite Profilis mygtuką viršutiniame dešiniajame kampe ir pasirinkite Peržiūrėkite API raktus.

Tada spustelėkite Sukurkite naują slaptą raktą kad sugeneruotumėte naują savo programos API raktą. Būtinai pasiimkite rakto kopiją, kad galėtumėte naudoti kitame veiksme.

Sukurkite „React“ klientą

Greitai paleiskite savo React projektą lokaliai. Tada projekto aplanko šakniniame kataloge sukurkite a .env failą, kad būtų saugomas slaptasis API raktas.

REACT_APP_OPEN_AI_API_KEY=„jūsų API raktas“

Šio projekto kodą rasite čia GitHub saugykla.

Konfigūruokite App.js komponentą

Atidaryk src/App.js failą, ištrinkite „React“ kodą ir pakeiskite jį tokiu:

1. Atlikite šiuos importavimo veiksmus:

   importuoti'./App.css';
   importuoti Reaguoti, {useState} iš'reaguoti';

2. Apibrėžkite funkcinį programos komponentą ir būsenos kintamuosius, kad būtų išsaugotas vartotojo pranešimas ir jo nuotaikos po analizės.

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

3. Sukurkite tvarkyklės funkciją, kuri pateiks asinchronines POST HTTP užklausas išplėstiniam tviteriui Klasifikatorius, perduodantis vartotojo pranešimą ir API raktą užklausos turinyje, kad būtų galima analizuoti sentimentus.
4. Tada funkcija lauks atsakymo iš API, išanalizuoja jį kaip JSON ir iš analizuojamų duomenų išskirs nuotaikos reikšmę pasirinkimų masyve.
5. Galiausiai, tvarkyklės funkcija suaktyvins funkciją setSentiment, kad atnaujintų savo būseną nuotaikos reikšme.

   konst API_KEY = procesas.env. REACT_APP_OPEN_AI_API_KEY;
   konst APIBODY ={
   'modelis': "text-davinci-003",
   'pasakyti': „Kokia šios žinutės nuotaika? + žinutė,
   „max_tokens“: 60,
   'top_p': 1.0,
   „dažnis_bausmė“: 0.0,
   'presence_penalty': 0.0,
    }
   asyncfunkcijarankenaSpustelėkite() {
   laukti atnešti (' https://api.openai.com/v1/completions', {
    metodas: „PASKELBTI“,
    antraštės: {
   'Turinio tipas': „application/json“,
   "įgaliojimas": `Nešėjas ${API_KEY}`
    },
    kūnas: JSON.stringify (APIBODY)
    }).tada (atsakymą => {
   grąžinti response.json()
    }).tada ((duomenis) => {
   konsolė.log (duomenys);
    setSentiment (data.choices[0].text.trim());
    }).catch((klaida) => {
   konsolė.error (klaida);
    });
    };

Užklausos turinyje yra keli parametrai:

• modelis: nurodo, kurį OpenAI modelį naudoti; text-davinci-003 šiuo atveju.
• raginimas: raginimas, kurį naudosite analizuodami pateikto pranešimo nuotaikas.
• max_tokens: nurodo maksimalų į modelį įvestų žetonų skaičių, kad būtų išvengta pernelyg didelio ar nereikalingo modelio skaičiavimo galios naudojimo ir pagerintas jo bendras veikimas.
• top_p, dažnio_penalty ir buvimo_penalty: šie parametrai koreguoja modelio išvestį.

Galiausiai grąžinkite pranešimo laukelį ir patvirtinimo mygtuką:

grąžinti (
"Programėlė">
"Programos antraštė">
 Sentimentų analizės programa</h2>
"įvestis">
 Įveskite pranešimą, kad klasifikuotumėte </p>
 className="teksto sritis"
 tipas ="tekstas"
 vietos rezervuaras="Įveskite savo pranešimą..."
 cols={50}
 eilutės={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Atsakymas">
 Gaukite žinutės nuotaikas</button>
 {sentimentas !== ""? <p> Pranešimas yra {sentiment} p>: nulinis}
 </div>
 </header>
 </div>
 );
}



eksportuotinumatytas Programėlė;

Sukurkite vartotojo raginimą

Pasirinktinai galite sukurti raginimo įvesties lauką, kad galėtumėte apibrėžti, kaip analizuoti pranešimą.

Pavyzdžiui, užuot tapę „teigiamu“ kaip tam tikro pranešimo nuotaikas, galite nurodyti modeliui generuokite atsakymus ir įvertinkite juos skalėje nuo vieno iki dešimties, kur vienas yra labai neigiamas, o dešimt - labai teigiamas.

Pridėkite šį kodą prie App.js komponentas. Apibrėžkite raginimo būsenos kintamąjį:

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

Pakeiskite raginimą APIBODY, kad būtų naudojami raginimo kintamojo duomenys:

konst APIBODY = {
// ...
'pasakyti': raginimas + pranešimas,
// ...
 }

Pridėkite raginimo įvesties lauką tiesiai virš pranešimo teksto srities:

 className="pasagauti"
 tipas ="tekstas"
 vietos rezervuaras="Įveskite raginimą..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Pasukite kūrimo serverį, kad atnaujintumėte atliktus pakeitimus, ir pereikite prie http://localhost: 3000, kad išbandytumėte funkcionalumą.

Sentimentų analizė yra esminė verslo praktika, kuri gali suteikti vertingų įžvalgų apie patirtį ir nuomones savo klientams, todėl galite priimti pagrįstus sprendimus, kurie gali padėti pagerinti klientų patirtį ir padidinti pajamas.

Naudodami AI įrankius, pvz., OpenAI API, galite supaprastinti savo analizės vamzdynus, kad realiuoju laiku gautumėte tikslią ir patikimą klientų nuomonę.