Bygg en Sentiment Analysis React-applikation med OpenAI API

I det digitala landskapet kan få tillgång till handlingsbar data, särskilt specifika insikter om dina kunder, sätta dig långt före konkurrenterna.

Sentimentanalys har blivit en populär strategi eftersom den genererar tillförlitliga resultat. Du kan använda den för att programmatiskt identifiera människors åsikter och uppfattningar om din produkt. Du kan upptäcka andra viktiga datapunkter som du kan använda för att fatta viktiga affärsbeslut.

Med verktyg som OpenAI: s API: er kan du analysera och generera detaljerade och handlingsbara insikter om dina kunder. Läs vidare för att lära dig hur du integrerar dess avancerade tweet-klassificerare API för att analysera användarnas indata.

En introduktion till GPT

OpenAI: s Generative Pre-trained Transformer (GPT-3) är en stor språkmodell som tränas på enorma mängder textdata, vilket ger den möjligheten att snabbt generera svar på alla frågor som matas in i den. Det utnyttjar

naturlig språkbehandling tekniker för att förstå och bearbeta frågorna — användarnas uppmaningar.

GPT-3 har vunnit popularitet på grund av dess förmåga att behandla användarmeddelanden och svara i ett konversationsformat.

Denna modell är särskilt viktig i sentimentanalys eftersom du kan använda den för att exakt bedöma och bestämma kundernas sentiment mot produkter, ditt varumärke och andra nyckeltal.

Dyk in i sentimentanalys med GPT

Sentimentanalys är en naturlig språkbearbetningsuppgift som involverar att identifiera och kategorisera de känslor som uttrycks i textdata som meningar och stycken.

GPT kan bearbeta sekventiell data vilket gör det möjligt att analysera känslorna. Hela analysprocessen innebär att modellen tränas med stora datamängder av märkt textdata som kategoriseras som antingen positiva, negativa eller neutrala.

Du kan sedan använda en tränad modell för att bestämma känslan av ny textdata. I huvudsak lär sig modellen att identifiera känslor genom att analysera textmönster och strukturer. Den kategoriserar det sedan och genererar ett svar.

Dessutom kan GPT finjusteras för att bedöma data från nischdomäner, såsom sociala medier eller kundfeedback. Detta hjälper till att förbättra dess noggrannhet i specifika sammanhang genom att träna modellen med sentimentuttryck som är unika för just den domänen.

Integrerad OpenAI Advanced Tweet Classifier

Detta API använder naturliga språkbehandlingstekniker för att analysera textdata som meddelanden eller tweets för att avgöra om de har positiva, negativa eller neutrala känslor.

Till exempel, om en text har en positiv ton, kommer API: et att kategorisera den som "positiv" annars kommer den att märkas som "negativ" eller "neutral".

Dessutom kan du anpassa kategorierna och använda mer specifika ord för att beskriva känslan. Till exempel, istället för att bara märka viss textdata som "positiv", kan du välja en mer beskrivande kategori som "glad".

Konfigurera Advanced Tweet Classifier

För att komma igång, gå över till OpenAI: s utvecklarkonsol, och registrera dig för ett konto. Du behöver din API-nyckel för att interagera med den avancerade tweetklassificerarens API från din React-applikation.

På översiktssidan klickar du på Profil knappen uppe till höger och välj Visa API-nycklar.

Klicka sedan på Skapa ny hemlig nyckel för att generera en ny API-nyckel för din applikation. Se till att ta en kopia av nyckeln för användning i nästa steg.

Skapa en React Client

Snabbt starta ditt React-projekt lokalt. Skapa sedan en i rotkatalogen i din projektmapp .env fil för att hålla din API-hemliga nyckel.

REACT_APP_OPEN_AI_API_KEY="din API-nyckel"

Du kan hitta detta projekts kod i denna GitHub-förråd.

Konfigurera App.js-komponenten

Öppna src/App.js fil, ta bort pannplattan React-koden och ersätt den med följande:

1. Gör följande importer:

   importera'./App.css';
   importera Reagera, {useState} från'reagera';

2. Definiera den funktionella appkomponenten och tillståndsvariablerna för att hålla en användares meddelande och dess känsla efter analysen.

   fungeraApp() {
   konst [meddelande, setMessage] = useState("");
   konst [sentiment, setSentiment] = useState("");

3. Skapa en hanterarfunktion som gör asynkrona POST HTTP-förfrågningar till den avancerade tweeten Klassificerare som förmedlar användarens meddelande och API-nyckeln i begärandekroppen för att analysera känslor.
4. Funktionen kommer sedan att invänta svaret från API: t, analysera det som JSON och extrahera sentimentvärdet i valmatrisen från den analyserade datan.
5. Slutligen kommer hanterarfunktionen att trigga setSentiment-funktionen för att uppdatera sitt tillstånd med sentimentvärdet.

   konst API_KEY = process.env. REACT_APP_OPEN_AI_API_KEY;
   konst APIBODY ={
   'modell': "text-davinci-003",
   'prompt': "Vad är känslan av detta meddelande?" + meddelande,
   'max_tokens': 60,
   'top_p': 1.0,
   "frequency_penalty": 0.0,
   'närvaro_straff': 0.0,
    }
   asynkronfungerahandleClick() {
   vänta hämta(' https://api.openai.com/v1/completions', {
    metod: 'POSTA',
    rubriker: {
   'Innehållstyp': 'applikation/json',
   'tillstånd': `Bärare ${API_KEY}`
    },
    kropp: JSON.stringify (APIBODY)
    }).sedan(svar => {
   lämna tillbaka response.json()
    }).sedan((data) => {
   trösta.log (data);
    setSentiment (data.choices[0].text.trim());
    }).fånga((fel) => {
   trösta.error (fel);
    });
    };

Begäran innehåller några parametrar, dessa är:

• modell: anger vilken OpenAI-modell som ska användas; text-davinci-003 i det här fallet.
• prompt: prompten som du kommer att använda för att analysera känslan av det givna meddelandet.
• max_tokens: anger det maximala antalet tokens som matas in i modellen för att förhindra överdriven eller onödig användning av modellens datorkraft och förbättra dess totala prestanda.
• top_p, frequency_penalty och presence_penalty: dessa parametrar justerar modellens utdata.

Till sist, returnera meddelanderutan och skicka knappen:

lämna tillbaka (
"App">
"App-header">
 Applikation för sentimentanalys</h2>
"inmatning">
 Skriv meddelandet för att klassificera </p>
 klassnamn="textArea"
 typ="text"
 platshållare="Skriv ditt meddelande..."
 cols={50}
 rader={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Svar">
 Få meddelandesentiment</button>
 {sentiment !== ""? <sid> Meddelandet är {sentiment} sid>: null}
 </div>
 </header>
 </div>
 );
}



exporterastandard App;

Skapa en användarprompt

Du kan valfritt skapa ett inmatningsfält för uppmaning så att du kan definiera hur meddelandet ska analyseras.

Till exempel, istället för att bli "positiv" som känslan för ett visst meddelande, kan du instruera modellen att generera svar och rangordna dem på en skala från ett till tio, där ett är extremt negativt medan tio är extremt positiv.

Lägg till den här koden i App.js komponent. Definiera en tillståndsvariabel för prompten:

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

Ändra prompten på APIBODY för att använda promptvariabeldata:

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

Lägg till ett inmatningsfält för uppmaning, precis ovanför meddelandetextområdet:

 klassnamn="prompt"
 typ="text"
 platshållare="Ange prompt..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Snurra upp utvecklingsservern för att uppdatera de ändringar som gjorts och gå över till http://localhost: 3000 för att testa funktionaliteten.

Sentimentanalys är en viktig affärspraxis som kan ge värdefulla insikter om erfarenheter och åsikter hos dina kunder, vilket gör att du kan fatta välgrundade beslut som kan leda till förbättrade kundupplevelser och ökade intäkter.

Med hjälp av AI-verktyg som OpenAI API: er kan du effektivisera dina analyspipelines för att få korrekta och pålitliga kundsentiment i realtid.