Izradite React aplikaciju za analizu osjećaja pomoću OpenAI API-ja

U digitalnom okruženju, dobivanje pristupa korisnim podacima, posebno specifičnim uvidima o vašim klijentima, može vas staviti daleko ispred konkurencije.

Analiza sentimenta postala je popularna strategija budući da generira pouzdane rezultate. Možete ga koristiti za programsko prepoznavanje mišljenja i percepcije ljudi o vašem proizvodu. Možete otkriti druge važne podatkovne točke koje možete koristiti za donošenje ključnih poslovnih odluka.

S alatima kao što su OpenAI API-ji, možete analizirati i generirati detaljne i djelotvorne uvide o svojim klijentima. Čitajte dalje kako biste saznali kako integrirati njegov napredni API za klasifikator tweetova za analizu korisničkih unosa.

Uvod u GPT

OpenAI-jev Generative Pre-trained Transformer (GPT-3) veliki je jezični model obučen na ogromnim količinama tekstualnih podataka, što mu daje mogućnost brzog generiranja odgovora na bilo koji upit koji mu se unese. Koristi se

obrada prirodnog jezika tehnike za razumijevanje i obradu upita — upute korisnika.

GPT-3 je stekao popularnost zahvaljujući svojoj sposobnosti obrade korisničkih upita i odgovaranja u obliku razgovora.

Ovaj je model posebno bitan u analizi raspoloženja budući da ga možete koristiti za točnu procjenu i određivanje raspoloženja kupaca prema proizvodima, vašoj robnoj marki i drugim ključnim pokazateljima.

Zaronite u analizu raspoloženja pomoću GPT-a

Analiza osjećaja zadatak je obrade prirodnog jezika koji uključuje prepoznavanje i kategoriziranje osjećaja izraženih u tekstualnim podacima kao što su rečenice i odlomci.

GPT može obraditi sekvencijalne podatke što omogućuje analizu osjećaja. Cijeli proces analize uključuje obuku modela s velikim skupovima podataka označenih tekstualnih podataka koji su kategorizirani kao pozitivni, negativni ili neutralni.

Zatim možete upotrijebiti uvježbani model za određivanje osjećaja novih tekstualnih podataka. U biti, model uči identificirati osjećaje analizirajući obrasce i strukture teksta. Zatim ga kategorizira i generira odgovor.

Nadalje, GPT se može fino podesiti za procjenu podataka iz nišnih domena, kao što su društveni mediji ili povratne informacije kupaca. To pomaže poboljšati njegovu točnost u određenim kontekstima obučavanjem modela s izrazima osjećaja koji su jedinstveni za tu određenu domenu.

Integrirani OpenAI Advanced Tweet Classifier

Ovaj API koristi tehnike obrade prirodnog jezika za analizu tekstualnih podataka kao što su poruke ili tweetovi kako bi se utvrdilo imaju li pozitivne, negativne ili neutralne osjećaje.

Na primjer, ako tekst ima pozitivan ton, API će ga kategorizirati kao "pozitivan", inače će biti označen kao "negativan" ili "neutralan".

Štoviše, možete prilagoditi kategorije i koristiti specifičnije riječi za opisivanje osjećaja. Na primjer, umjesto jednostavnog označavanja određenih tekstualnih podataka kao "pozitivnih", možete odabrati opisniju kategoriju poput "sretan".

Konfigurirajte Advanced Tweet Classifier

Za početak idite na OpenAI-jeva konzola za razvojne programere, i prijavite se za račun. Trebat će vam vaš API ključ za interakciju s API-jem naprednog klasifikatora tweetova iz vaše aplikacije React.

Na stranici pregleda kliknite na Profil u gornjem desnom kutu i odaberite Pregledajte API ključeve.

Zatim kliknite na Stvorite novi tajni ključ za generiranje novog API ključa za vašu aplikaciju. Svakako uzmite kopiju ključa za korištenje u sljedećem koraku.

Stvorite React klijenta

Brzo podignite svoj React projekt lokalno. Zatim, u korijenskom direktoriju vaše mape projekta, kreirajte a .env datoteku za čuvanje vašeg API tajnog ključa.

REACT_APP_OPEN_AI_API_KEY='vaš API ključ'

Ovdje možete pronaći kod ovog projekta GitHub spremište.

Konfigurirajte App.js komponentu

Otvori src/App.js datoteku, izbrišite predložak React koda i zamijenite ga sljedećim:

1. Napravite sljedeće uvoze:

   uvoz'./App.css';
   uvoz Reagiraj, {useState} iz'reagirati';

2. Definirajte funkcionalnu komponentu aplikacije i varijable stanja za čuvanje korisnikove poruke i njezina mišljenja nakon analize.

   funkcijaaplikacija() {
   konst [poruka, setMessage] = useState("");
   konst [osjećaj, setOsjećaj] = useState("");

3. Stvorite funkciju rukovatelja koja će postavljati asinkrone POST HTTP zahtjeve naprednom tweetu Klasifikator prosljeđuje korisničku poruku i API ključ u tijelu zahtjeva za analizu osjećaji.
4. Funkcija će tada čekati odgovor API-ja, analizirati ga kao JSON i iz analiziranih podataka izdvojiti vrijednost osjećaja u nizu izbora.
5. Na kraju, funkcija rukovatelja pokrenut će funkciju setSentiment da ažurira svoje stanje vrijednošću sentimenta.

   konst API_KEY = process.env. REACT_APP_OPEN_AI_API_KEY;
   konst APITIJELO ={
   'model': "tekst-davinci-003",
   'potaknuti': "Kakav je osjećaj ove poruke?" + poruka,
   'max_tokens': 60,
   'top_p': 1.0,
   'frequency_penalty': 0.0,
   'kazna_prisutnosti': 0.0,
    }
   asinkronifunkcijaručkaClick() {
   čekati dohvati (' https://api.openai.com/v1/completions', {
    metoda: 'POST',
    zaglavlja: {
   'Content-Type': 'application/json',
   'autorizacija': `Nositelj ${API_KEY}`
    },
    tijelo: JSON.stringify (APIBODY)
    }).zatim(odgovor => {
   povratak response.json()
    }).zatim((podaci) => {
   konzola.log (podaci);
    setSentiment (data.choices[0].text.trim());
    }).ulov((greška) => {
   konzola.greška (greška);
    });
    };

Tijelo zahtjeva sadrži nekoliko parametara, a to su:

• model: specificira koji OpenAI model koristiti; text-davinci-003 u ovom slučaju.
• prompt: prompt koji ćete koristiti za analizu osjećaja dane poruke.
• max_tokens: specificira maksimalni broj tokena koji se unose u model kako bi se spriječilo pretjerano ili nepotrebno korištenje računalne snage modela i poboljšala njegova ukupna izvedba.
• top_p, frekvencija_penalty i prisutnost_penalty: ovi parametri prilagođavaju izlaz modela.

Na kraju vratite okvir za poruke i gumb za slanje:

povratak (
"Aplikacija">
"Zaglavlje aplikacije">
 Aplikacija za analizu raspoloženja</h2>
"ulazni">
 Unesite poruku za klasificiranje </p>
 ime klase="textArea"
 vrsta="tekst"
 rezervirano mjesto="Upišite svoju poruku..."
 cols={50}
 redovi={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Odgovor">
 Get Message sentiment</button>
 {osjećaj !== ""? <str> Poruka je {sentiment} str>: ništavan}
 </div>
 </header>
 </div>
 );
}



izvozzadano aplikacija;

Stvorite korisnički upit

Po izboru možete stvoriti polje za brzi unos kako biste mogli definirati kako analizirati poruku.

Na primjer, umjesto da dobijete "pozitivno" kao osjećaj za određenu poruku, možete uputiti model da generirajte odgovore i rangirajte ih na ljestvici od jedan do deset, gdje je jedan izrazito negativan, a deset izrazito negativan pozitivan.

Dodajte ovaj kod u App.js komponenta. Definirajte varijablu stanja za upit:

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

Izmijenite upit na APIBODY-u za korištenje podataka varijable upita:

konst APITIJELO = {
// ...
'potaknuti': upit + poruka,
// ...
 }

Dodajte brzo polje za unos, odmah iznad tekstualnog područja poruke:

 ime klase="potaknuti"
 vrsta="tekst"
 rezervirano mjesto="Unesi upit..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Okrenite razvojni poslužitelj da ažurirate učinjene promjene i krenite http://localhost: 3000 za testiranje funkcionalnosti.

Analiza raspoloženja ključna je poslovna praksa koja može pružiti dragocjene uvide u iskustva i mišljenja svojim klijentima, omogućujući vam donošenje informiranih odluka koje mogu dovesti do poboljšanog korisničkog iskustva i povećanja prihoda.

Uz pomoć AI alata kao što su OpenAI API-ji, možete pojednostaviti svoje kanale analize kako biste dobili točne i pouzdane osjećaje kupaca u stvarnom vremenu.