Bouw een Sentiment Analysis React-applicatie met behulp van de OpenAI API

In het digitale landschap kan toegang tot bruikbare gegevens, met name specifieke inzichten over uw klanten, u een grote voorsprong geven op de concurrentie.

Sentimentanalyse is een populaire strategie geworden omdat het betrouwbare resultaten oplevert. U kunt het gebruiken om de opvattingen en percepties van mensen over uw product programmatisch te identificeren. U kunt andere belangrijke gegevenspunten ontdekken die u kunt gebruiken om belangrijke zakelijke beslissingen te nemen.

Met tools zoals de API's van OpenAI kunt u gedetailleerde en bruikbare inzichten over uw klanten analyseren en genereren. Lees verder om te leren hoe u de geavanceerde tweet-classificatie-API kunt integreren om de invoer van gebruikers te analyseren.

Een inleiding tot GPT

OpenAI's Generative Pre-trained Transformer (GPT-3) is een groot taalmodel dat is getraind op enorme hoeveelheden tekstgegevens, waardoor het snel antwoorden kan genereren op elke vraag die erin wordt ingevoerd. Het gebruikt

natuurlijke taalverwerking technieken om de vragen te begrijpen en te verwerken — prompts van gebruikers.

GPT-3 is populair geworden vanwege het vermogen om gebruikersprompts te verwerken en te reageren in een conversatie-indeling.

Dit model is met name essentieel bij sentimentanalyse, omdat u het kunt gebruiken om het sentiment van klanten ten opzichte van producten, uw merk en andere belangrijke statistieken nauwkeurig te beoordelen en te bepalen.

Duik in sentimentanalyse met GPT

Sentimentanalyse is een natuurlijke taalverwerkingstaak waarbij het sentiment wordt geïdentificeerd en gecategoriseerd dat wordt uitgedrukt in tekstuele gegevens zoals zinnen en alinea's.

GPT kan sequentiële gegevens verwerken waardoor het mogelijk is om de sentimenten te analyseren. Het hele analyseproces omvat het trainen van het model met grote datasets van gelabelde tekstgegevens die zijn gecategoriseerd als positief, negatief of neutraal.

Vervolgens kunt u een getraind model gebruiken om het sentiment van nieuwe tekstgegevens te bepalen. In wezen leert het model sentimenten te identificeren door patronen en structuren van tekst te analyseren. Het categoriseert het vervolgens en genereert een reactie.

Bovendien kan GPT worden verfijnd om gegevens uit nichedomeinen, zoals sociale media of feedback van klanten, te beoordelen. Dit helpt de nauwkeurigheid in specifieke contexten te verbeteren door het model te trainen met sentimentexpressies die uniek zijn voor dat specifieke domein.

Geïntegreerde OpenAI Advanced Tweet Classifier

Deze API gebruikt natuurlijke taalverwerkingstechnieken om tekstgegevens zoals berichten of tweets te analyseren om te bepalen of ze positieve, negatieve of neutrale gevoelens hebben.

Als een tekst bijvoorbeeld een positieve toon heeft, zal de API deze categoriseren als "positief", anders wordt deze gelabeld als "negatief" of "neutraal".

Bovendien kunt u de categorieën aanpassen en meer specifieke woorden gebruiken om het sentiment te beschrijven. In plaats van bepaalde tekstgegevens simpelweg als 'positief' te bestempelen, kunt u bijvoorbeeld een meer beschrijvende categorie kiezen, zoals 'blij'.

Configureer de geavanceerde tweetclassificatie

Ga om te beginnen naar De ontwikkelaarsconsole van OpenAI, en maak een account aan. Je hebt je API-sleutel nodig om te communiceren met de geavanceerde tweet-classificatie-API van je React-applicatie.

Klik op de overzichtspagina op de Profiel knop in de rechterbovenhoek en selecteer Bekijk API-sleutels.

Klik dan op Nieuwe geheime sleutel maken om een ​​nieuwe API-sleutel voor uw toepassing te genereren. Zorg ervoor dat u een kopie van de sleutel meeneemt voor gebruik in de volgende stap.

Maak een React-client aan

Snel start uw React-project op plaatselijk. Maak vervolgens in de hoofdmap van uw projectmap een .env bestand om uw geheime API-sleutel te bewaren.

REACT_APP_OPEN_AI_API_KEY='uw API-sleutel'

U kunt de code van dit project hierin vinden GitHub-opslagplaats.

Configureer de App.js-component

Open de src/App.js bestand, verwijder de boilerplate React-code en vervang deze door het volgende:

1. Voer de volgende invoer uit:

   importeren'./App.css';
   importeren Reageer, {useState} van'Reageer';

2. Definieer de functionele app-component en de statusvariabelen om het bericht van een gebruiker en zijn sentiment na de analyse vast te houden.

   functieapp() {
   const [bericht, setMessage] = useState("");
   const [sentiment, setSentiment] = useState("");

3. Maak een handler-functie die asynchrone POST HTTP-verzoeken naar de geavanceerde tweet maakt Classifier geeft het bericht van de gebruiker en de API-sleutel door in de aanvraagtekst om het te analyseren gevoelens.
4. De functie wacht vervolgens op het antwoord van de API, parseert het als JSON en haalt de sentimentwaarde in de keuzesarray uit de geparseerde gegevens.
5. Ten slotte activeert de handlerfunctie de functie setSentiment om de status bij te werken met de sentimentwaarde.

   const API_KEY = proces.env. REACT_APP_OPEN_AI_API_KEY;
   const APIBODY ={
   'model': "tekst-davinci-003",
   'snel': "Wat is het sentiment van dit bericht?" + bericht,
   'max_tokens': 60,
   'top_p': 1.0,
   'frequentie_penalty': 0.0,
   'aanwezigheid_penalty': 0.0,
    }
   asynchroonfunctiehandvatKlik() {
   wachten ophalen(' https://api.openai.com/v1/completions', {
    methode: 'NA',
    koppen: {
   'Content-type': 'toepassing/json',
   'autorisatie': 'Drager ${API_KEY}`
    },
    lichaam: JSON.stringify (APIBODY)
    }).Dan(antwoord => {
   opbrengst reactie.json()
    }).Dan((gegevens) => {
   troosten.log (gegevens);
    setSentiment (data.keuzes[0].tekst.trim());
    }).vangst((fout) => {
   troosten.fout (fout);
    });
    };

De aanvraagtekst bevat een aantal parameters, dit zijn:

• model: geeft aan welk OpenAI-model moet worden gebruikt; tekst-davinci-003 in dit geval.
• prompt: de prompt die u gebruikt om het sentiment van het gegeven bericht te analyseren.
• max_tokens: specificeert het maximale aantal tokens dat in het model wordt ingevoerd om overmatig of onnodig gebruik van de rekenkracht van het model te voorkomen en de algehele prestaties te verbeteren.
• top_p, frequency_penalty en presence_penalty: deze parameters passen de uitvoer van het model aan.

Geef ten slotte het berichtvenster en de verzendknop terug:

opbrengst (
"App">
"App-header">
 Toepassing voor sentimentanalyse</h2>
"invoer">
 Voer het bericht in om te classificeren </p>
 classNaam="tekstgebied"
 type="tekst"
 tijdelijke aanduiding="Schrijf je bericht..."
 cols={50}
 rijen={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Antwoord">
 Berichtsentiment ophalen</button>
 {gevoel!== ""? <P> Het bericht is {sentiment} P>: nul}
 </div>
 </header>
 </div>
 );
}



exporterenstandaard App;

Maak een gebruikersprompt

U kunt optioneel een prompt-invoerveld maken waarmee u kunt definiëren hoe u het bericht wilt analyseren.

In plaats van bijvoorbeeld "positief" te worden als sentiment voor een bepaald bericht, kunt u het model opdracht geven om dit te doen genereer antwoorden en rangschik ze op een schaal van één tot tien, waarbij één extreem negatief is en tien extreem positief.

Voeg deze code toe aan de App.js bestanddeel. Definieer een statusvariabele voor de prompt:

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

Pas de prompt op de APIBODY aan om de variabele data van de prompt te gebruiken:

const APIBODY = {
// ...
'snel': prompt + bericht,
// ...
 }

Voeg een prompt-invoerveld toe, net boven het tekstgebied van het bericht:

 classNaam="snel"
 type="tekst"
 tijdelijke aanduiding="Voer prompt in..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Start de ontwikkelingsserver om de aangebrachte wijzigingen bij te werken en ga naar http://localhost: 3000 om de functionaliteit uit te testen.

Sentimentanalyse is een essentiële zakelijke praktijk die waardevolle inzichten kan verschaffen in de ervaringen en meningen van uw klanten, zodat u weloverwogen beslissingen kunt nemen die kunnen leiden tot verbeterde klantervaringen en hogere inkomsten.

Met behulp van AI-tools zoals OpenAI API's kunt u uw analysepijplijnen stroomlijnen om in realtime nauwkeurige en betrouwbare klantsentimenten te krijgen.