Erstellen Sie mithilfe der OpenAI-API eine Sentiment Analysis React-Anwendung

In der digitalen Landschaft können Sie sich durch den Zugriff auf umsetzbare Daten, insbesondere spezifische Erkenntnisse über Ihre Kunden, von der Konkurrenz abheben.

Die Stimmungsanalyse ist zu einer beliebten Strategie geworden, da sie zuverlässige Ergebnisse liefert. Sie können es verwenden, um die Ansichten und Wahrnehmungen von Personen zu Ihrem Produkt programmatisch zu identifizieren. Sie können andere wichtige Datenpunkte entdecken, die Sie verwenden können, um wichtige Geschäftsentscheidungen zu treffen.

Mit Tools wie den APIs von OpenAI können Sie detaillierte und umsetzbare Erkenntnisse über Ihre Kunden analysieren und generieren. Lesen Sie weiter, um zu erfahren, wie Sie die fortschrittliche Tweet-Klassifikator-API integrieren können, um Benutzereingaben zu analysieren.

Eine Einführung in GPT

Der Generative Pre-Trained Transformer (GPT-3) von OpenAI ist ein großes Sprachmodell, das mit riesigen Mengen an Textdaten trainiert wurde und ihm die Fähigkeit verleiht, schnell Antworten auf jede eingegebene Abfrage zu generieren. Es nutzt

Verarbeitung natürlicher Sprache Techniken zum Verstehen und Verarbeiten der Abfragen — Benutzeraufforderungen.

GPT-3 hat aufgrund seiner Fähigkeit, Benutzereingabeaufforderungen zu verarbeiten und in einem Konversationsformat zu antworten, an Popularität gewonnen.

Dieses Modell ist besonders wichtig für die Stimmungsanalyse, da Sie es verwenden können, um die Stimmung der Kunden gegenüber Produkten, Ihrer Marke und anderen wichtigen Kennzahlen genau zu bewerten und zu bestimmen.

Tauchen Sie ein in die Stimmungsanalyse mit GPT

Die Stimmungsanalyse ist eine Verarbeitungsaufgabe für natürliche Sprache, bei der die in Textdaten wie Sätzen und Absätzen ausgedrückte Stimmung identifiziert und kategorisiert wird.

GPT kann sequentielle Daten verarbeiten, die es ermöglichen, die Stimmungen zu analysieren. Der gesamte Analyseprozess umfasst das Trainieren des Modells mit großen Datensätzen gekennzeichneter Textdaten, die entweder als positiv, negativ oder neutral kategorisiert sind.

Sie können dann ein trainiertes Modell verwenden, um die Stimmung neuer Textdaten zu bestimmen. Im Wesentlichen lernt das Modell, Stimmungen zu identifizieren, indem es Muster und Strukturen von Text analysiert. Es kategorisiert es dann und generiert eine Antwort.

Darüber hinaus kann GPT fein abgestimmt werden, um Daten aus Nischendomänen wie Social Media oder Kundenfeedback auszuwerten. Dies trägt dazu bei, die Genauigkeit in bestimmten Kontexten zu verbessern, indem das Modell mit Stimmungsausdrücken trainiert wird, die für diese bestimmte Domäne einzigartig sind.

Integrierter OpenAI Advanced Tweet Classifier

Diese API verwendet Techniken zur Verarbeitung natürlicher Sprache, um Textdaten wie Nachrichten oder Tweets zu analysieren, um festzustellen, ob sie positive, negative oder neutrale Gefühle haben.

Wenn ein Text beispielsweise einen positiven Ton hat, wird die API ihn als „positiv“ kategorisieren, andernfalls wird er als „negativ“ oder „neutral“ gekennzeichnet.

Darüber hinaus können Sie die Kategorien anpassen und spezifischere Wörter verwenden, um die Stimmung zu beschreiben. Anstatt beispielsweise bestimmte Textdaten einfach als „positiv“ zu kennzeichnen, könnten Sie eine aussagekräftigere Kategorie wie „glücklich“ wählen.

Konfigurieren Sie den erweiterten Tweet-Klassifikator

Um zu beginnen, gehen Sie zu Die Entwicklerkonsole von OpenAI, und melden Sie sich für ein Konto an. Sie benötigen Ihren API-Schlüssel, um mit der erweiterten Tweet-Klassifizierungs-API Ihrer React-Anwendung zu interagieren.

Klicken Sie auf der Übersichtsseite auf die Profil Schaltfläche oben rechts und wählen Sie aus API-Schlüssel anzeigen.

Dann klicken Sie auf Erstellen Sie einen neuen geheimen Schlüssel um einen neuen API-Schlüssel für Ihre Anwendung zu generieren. Stellen Sie sicher, dass Sie eine Kopie des Schlüssels für den nächsten Schritt mitnehmen.

Erstellen Sie einen React-Client

Schnell bootstrap dein React-Projekt örtlich. Erstellen Sie als Nächstes im Stammverzeichnis Ihres Projektordners eine .env Datei, die Ihren geheimen API-Schlüssel enthält.

REACT_APP_OPEN_AI_API_KEY='Ihr API-Schlüssel'

Sie finden den Code dieses Projekts darin GitHub-Repository.

Konfigurieren Sie die App.js-Komponente

Öffne das src/App.js löschen Sie den Boilerplate-React-Code und ersetzen Sie ihn durch Folgendes:

1. Führen Sie die folgenden Importe durch:

   importieren'./App.css';
   importieren Reagieren, {useState} aus'reagieren';

2. Definieren Sie die funktionale App-Komponente und die Zustandsvariablen, um die Nachricht eines Benutzers und seine Stimmung nach der Analyse zu speichern.

   FunktionApp() {
   konst [Nachricht, setMessage] = useState("");
   konst [Gefühl, setGefühl] = useState("");

3. Erstellen Sie eine Handler-Funktion, die asynchrone POST-HTTP-Anforderungen an den erweiterten Tweet sendet Klassifikator, der die Nachricht des Benutzers und den API-Schlüssel im Anforderungstext zur Analyse weitergibt Gefühle.
4. Die Funktion wartet dann auf die Antwort von der API, analysiert sie als JSON und extrahiert den Sentimentwert im Auswahlarray aus den analysierten Daten.
5. Zuletzt löst die Handler-Funktion die setSentiment-Funktion aus, um ihren Status mit dem Stimmungswert zu aktualisieren.

   konst API_KEY = Prozess.env. REACT_APP_OPEN_AI_API_KEY;
   konst APIBODY ={
   'Modell': "text-davinci-003",
   'prompt': "Was ist der Sinn dieser Botschaft?" + Nachricht,
   'max_tokens': 60,
   'top_p': 1.0,
   'frequency_penalty': 0.0,
   'presence_penalty': 0.0,
    }
   asynchronFunktionhandleClick() {
   erwarten bringen(' https://api.openai.com/v1/completions', {
    Methode: 'POST',
    Überschriften: {
   'Inhaltstyp': 'Anwendung/json',
   'Genehmigung': „Träger ${API_KEY}`
    },
    Körper: JSON.stringify (APIKÖRPER)
    }).Dann(Antwort => {
   zurückkehren Antwort.json()
    }).Dann((Daten) => {
   Konsole.Logdaten);
    setSentiment (data.choices[0].text.trim());
    }).fangen((Fehler) => {
   Konsole.error (Fehler);
    });
    };

Der Anfragetext enthält einige Parameter, diese sind:

• model: gibt an, welches OpenAI-Modell verwendet werden soll; in diesem Fall text-davinci-003.
• prompt: die Eingabeaufforderung, die Sie verwenden, um die Stimmung der gegebenen Nachricht zu analysieren.
• max_tokens: gibt die maximale Anzahl von Token an, die in das Modell eingespeist werden, um eine übermäßige oder unnötige Nutzung der Rechenleistung des Modells zu verhindern und seine Gesamtleistung zu verbessern.
• top_p, frequency_penalty und presence_penalty: Diese Parameter passen die Ausgabe des Modells an.

Geben Sie schließlich das Nachrichtenfeld und die Schaltfläche „Senden“ zurück:

zurückkehren (
"App">
"App-Header">
 Anwendung zur Stimmungsanalyse</h2>
"Eingang">
 Geben Sie die zu klassifizierende Nachricht ein </p>
 Klassenname="Textbereich"
 Typ="Text"
 Platzhalter="Geben Sie Ihre Nachricht ein..."
 Spalten={50}
 Zeilen={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Antwort">
 Nachrichtenstimmung abrufen</button>
 {Gefühl !== ""? <P> Die Nachricht ist {sentiment} P>: Null}
 </div>
 </header>
 </div>
 );
}



ExportStandard Anwendung;

Erstellen Sie eine Benutzeraufforderung

Optional können Sie ein Prompt-Eingabefeld erstellen, um festzulegen, wie die Nachricht analysiert werden soll.

Anstatt beispielsweise als Stimmung für eine bestimmte Nachricht „positiv“ zu erhalten, können Sie das Modell anweisen, dies zu tun Generieren Sie Antworten und ordnen Sie sie auf einer Skala von eins bis zehn ein, wobei eins extrem negativ und zehn extrem negativ ist positiv.

Fügen Sie diesen Code hinzu App.js Komponente. Definieren Sie eine Zustandsvariable für die Eingabeaufforderung:

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

Ändern Sie die Eingabeaufforderung auf dem APIBODY, um die Variablendaten der Eingabeaufforderung zu verwenden:

konst APIBODY = {
// ...
'prompt': Eingabeaufforderung + Nachricht,
// ...
 }

Fügen Sie direkt über dem Textbereich der Nachricht ein Eingabefeld für die Eingabeaufforderung hinzu:

 Klassenname="prompt"
 Typ="Text"
 Platzhalter="Eingabeaufforderung eingeben..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Drehen Sie den Entwicklungsserver hoch, um die vorgenommenen Änderungen zu aktualisieren, und gehen Sie zu http://localhost: 3000 um die Funktionalität zu testen.

Die Stimmungsanalyse ist eine wesentliche Geschäftspraxis, die wertvolle Einblicke in die Erfahrungen und Meinungen von Menschen liefern kann Ihre Kunden, sodass Sie fundierte Entscheidungen treffen können, die zu verbesserten Kundenerlebnissen und höheren Einnahmen führen können.

Mithilfe von KI-Tools wie OpenAI-APIs können Sie Ihre Analyse-Pipelines optimieren, um genaue und zuverlässige Kundenstimmungen in Echtzeit zu erhalten.