درک اینکه مشتریانتان با کمی تلاش در زمان واقعی چه احساسی نسبت به محصول شما دارند؟ به نظر جادویی می رسد، اما API OpenAI می تواند آن را به واقعیت تبدیل کند.
در چشم انداز دیجیتال، دسترسی به داده های عملی، به ویژه بینش های خاص در مورد مشتریان، می تواند شما را به خوبی از رقبا جلوتر قرار دهد.
تجزیه و تحلیل احساسات به یک استراتژی محبوب تبدیل شده است زیرا نتایج قابل اعتمادی ایجاد می کند. میتوانید از آن برای شناسایی برنامهریزیشده دیدگاهها و برداشتهای مردم از محصول خود استفاده کنید. شما می توانید سایر نقاط داده مهم را کشف کنید که می توانید از آنها برای تصمیم گیری های کلیدی تجاری استفاده کنید.
با ابزارهایی مانند APIهای OpenAI، میتوانید بینشهای دقیق و عملی درباره مشتریان خود را تحلیل و ایجاد کنید. برای یادگیری نحوه ادغام API طبقهبندیکننده توییت پیشرفته برای تجزیه و تحلیل ورودیهای کاربران، ادامه مطلب را بخوانید.
مقدمه ای بر GPT
ترانسفورماتور از پیش آموزشدیده مولد OpenAI (GPT-3) یک مدل زبان بزرگ است که بر روی حجم عظیمی از دادههای متنی آموزش داده شده است و به آن توانایی میدهد تا به سرعت به هر درخواستی که به آن داده میشود، پاسخ دهد. از تکنیک های پردازش زبان طبیعی برای درک و پردازش پرس و جوها استفاده می کند – درخواست های کاربران.
GPT-3 به دلیل توانایی آن در پردازش درخواست های کاربر و پاسخگویی در قالب مکالمه محبوبیت پیدا کرده است.
این مدل به ویژه در تجزیه و تحلیل احساسات ضروری است زیرا می توانید از آن برای ارزیابی دقیق و تعیین احساسات مشتریان نسبت به محصولات، نام تجاری خود و سایر معیارهای کلیدی استفاده کنید.
با استفاده از GPT وارد تجزیه و تحلیل احساسات شوید
تجزیه و تحلیل احساسات یک کار پردازش زبان طبیعی است که شامل شناسایی و طبقه بندی احساسات بیان شده در داده های متنی مانند جملات و پاراگراف ها است.
GPT می تواند داده های متوالی را پردازش کند و امکان تجزیه و تحلیل احساسات را فراهم کند. کل فرآیند تحلیل شامل آموزش مدل با مجموعه داده های بزرگ از داده های متنی برچسب گذاری شده است که به عنوان مثبت، منفی یا خنثی طبقه بندی می شوند.
سپس می توانید از یک مدل آموزش دیده برای تعیین احساس داده های متنی جدید استفاده کنید. اساساً، مدل یاد می گیرد که احساسات را با تجزیه و تحلیل الگوها و ساختارهای متن شناسایی کند. سپس آن را دسته بندی می کند و پاسخی ایجاد می کند.
علاوه بر این، GPT میتواند برای ارزیابی دادههای حوزههای خاص، مانند رسانههای اجتماعی یا بازخورد مشتری، بهخوبی تنظیم شود. این به بهبود دقت آن در زمینه های خاص با آموزش مدل با عبارات احساسی منحصر به فرد در آن حوزه خاص کمک می کند.
یکپارچه شده OpenAI Advanced Tweet Classifier
این API از تکنیکهای پردازش زبان طبیعی برای تجزیه و تحلیل دادههای متنی مانند پیامها یا توییتها استفاده میکند تا تشخیص دهد که آیا احساسات مثبت، منفی یا خنثی دارند.
به عنوان مثال، اگر متنی دارای لحن مثبت باشد، API آن را به عنوان “مثبت” دسته بندی می کند در غیر این صورت، به عنوان “منفی” یا “خنثی” برچسب گذاری می شود.
علاوه بر این، میتوانید دستهها را سفارشی کنید و از کلمات خاصتری برای توصیف احساسات استفاده کنید. به عنوان مثال، به جای برچسب گذاری ساده داده های متنی خاص به عنوان “مثبت”، می توانید دسته بندی توصیفی تری مانند “شاد” را انتخاب کنید.
دستهبندی پیشرفته توییت را پیکربندی کنید
برای شروع، به کنسول توسعه دهنده OpenAI بروید و برای یک حساب کاربری ثبت نام کنید. برای تعامل با API طبقهبندیکننده توییت پیشرفته از برنامه React خود به کلید API خود نیاز دارید.
در صفحه نمای کلی، روی دکمه Profile در بالا سمت راست کلیک کنید و View API keys را انتخاب کنید.
سپس بر روی Create new secret key کلیک کنید تا یک کلید API جدید برای برنامه شما ایجاد شود. مطمئن شوید که یک کپی از کلید را برای استفاده در مرحله بعد بردارید.
یک React Client ایجاد کنید
پروژه React خود را به سرعت بوت استرپ کنید. در مرحله بعد، در پوشه اصلی پروژه خود، یک فایل .env ایجاد کنید تا کلید مخفی API شما را نگه دارد.
REACT_APP_OPEN_AI_API_KEY='your API key'
می توانید کد این پروژه را در این مخزن GitHub پیدا کنید.
کامپوننت App.js را پیکربندی کنید
فایل src/App.js را باز کنید، کد React boilerplate را حذف کنید و آن را با موارد زیر جایگزین کنید:
- واردهای زیر را انجام دهید: import ‘./App.css’;import React, {useState} از ‘react’;
- مولفه کاربردی App و متغیرهای حالت را برای نگهداری پیام کاربر و احساسات آن پس از تجزیه و تحلیل تعریف کنید. function App() { const [message, setMessage] = useState(“”); const [احساس، setSentiment] = useState(“”);
- یک تابع کنترل کننده ایجاد کنید که درخواست های ناهمزمان POST HTTP را به طبقه بندی کننده توییت پیشرفته ارسال می کند که از پیام کاربر و کلید API در بدنه درخواست برای تجزیه و تحلیل احساسات ارسال می شود.
- سپس تابع منتظر پاسخ API میماند، آن را بهعنوان JSON تجزیه میکند و مقدار احساس را در آرایه انتخابها از دادههای تجزیهشده استخراج میکند.
- در نهایت، تابع handler تابع setSentiment را فعال می کند تا وضعیت خود را با مقدار احساس به روز کند. const API_KEY = process.env.REACT_APP_OPEN_AI_API_KEY; const APIBODY ={ ‘model’: “text-davinci-003”, ‘prompt’: “احساس این پیام چیست؟” + پیام، «max_tokens»: 60، «top_p»: 1.0، «frequency_penalty»: 0.0، «presence_penalty»: 0.0، } async تابع handleClick() تکمیلها، { روش: «POST»، سرصفحهها: { «Content-Type»: «application/json»، «Authorization»: «Bearer ${API_KEY}» ، SONY. (response => { return response.json() }).then((data) => { console.log(data); setSentiment(data.choices[0].text.trim()); }).catch( (خطا) => { console.error(error); }); };
import './App.css';
import React, {useState} from 'react';
function App() {
const [message, setMessage] = useState("");
const [sentiment, setSentiment] = useState("");
const API_KEY = process.env.REACT_APP_OPEN_AI_API_KEY;
const APIBODY ={
'model': "text-davinci-003",
'prompt': "What is the sentiment of this message?" + message,
'max_tokens': 60,
'top_p': 1.0,
'frequency_penalty': 0.0,
'presence_penalty': 0.0,
}
async function handleClick() {
await fetch('https://api.openai.com/v1/completions', {
method: 'POST',
headers: {
'Content-Type': 'application/json',
'authorization': `Bearer ${API_KEY}`
},
body: JSON.stringify(APIBODY)
}).then(response => {
return response.json()
}).then((data) => {
console.log(data);
setSentiment(data.choices[0].text.trim());
}).catch((error) => {
console.error(error);
});
};
بدنه درخواست شامل چند پارامتر است که عبارتند از:
- مدل: مشخص می کند که از کدام مدل OpenAI استفاده شود. text-davinci-003 در این مورد.
- prompt: اعلانی که از آن برای تجزیه و تحلیل احساسات پیام داده شده استفاده می کنید.
- max_tokens: حداکثر تعداد توکن های وارد شده به مدل را برای جلوگیری از استفاده بیش از حد یا غیر ضروری از توان محاسباتی مدل و بهبود عملکرد کلی آن مشخص می کند.
- top_p، frequency_penalty و present_penalty: این پارامترها خروجی مدل را تنظیم می کنند.
در نهایت کادر پیام و دکمه ارسال را برگردانید:
return (
<div className="App">
<header className="App-header">
<h2> Sentiment Analysis Application</h2>
<div className="input">
<p> Enter the message to classify </p>
<textarea
className="textArea"
type="text"
placeholder="Type your message..."
cols={50}
rows={10}
onChange={(e) => setMessage(e.target.value)}
/>
</div>
<div className="Response">
<button onClick={handleClick}> Get Message sentiment</button>
{sentiment !== "" ? <p> The message is {sentiment} </p> : null}
</div>
</header>
</div>
);
}
export default App;
یک درخواست کاربر ایجاد کنید
شما می توانید به صورت اختیاری، یک فیلد ورودی سریع ایجاد کنید تا به شما امکان دهد نحوه تجزیه و تحلیل پیام را تعریف کنید.
به عنوان مثال، بهجای دریافت «مثبت» بهعنوان احساس برای یک پیام خاص، میتوانید به مدل دستور دهید تا پاسخها را تولید کند و آنها را در مقیاس یک تا ده رتبهبندی کند، که در آن یک بسیار منفی و ده بسیار مثبت است.
این کد را به کامپوننت App.js اضافه کنید. یک متغیر حالت برای اعلان تعریف کنید:
const [prompt, setPrompt] = useState("");
دستور APIBODY را برای استفاده از دادههای متغیر prompt تغییر دهید:
const APIBODY = {
// ...
'prompt': prompt + message,
// ...
}
یک فیلد ورودی سریع، درست بالای ناحیه متن پیام اضافه کنید:
<input
className="prompt"
type="text"
placeholder="Enter prompt..."
onChange={(e) => setPrompt(e.target.value)}
/>
سرور توسعه را بچرخانید تا تغییرات ایجاد شده را به روز کنید و برای آزمایش عملکرد به http://localhost:3000 بروید.
تجزیه و تحلیل احساسات با استفاده از ابزارهای هوش مصنوعی
تجزیه و تحلیل احساسات یک روش تجاری ضروری است که می تواند بینش های ارزشمندی در مورد تجربیات و نظرات مشتریان شما ارائه دهد و شما را قادر می سازد تا تصمیمات آگاهانه ای بگیرید که می تواند منجر به بهبود تجربیات مشتری و افزایش درآمد شود.
با کمک ابزارهای هوش مصنوعی مانند OpenAI API، می توانید خطوط لوله تجزیه و تحلیل خود را ساده کنید تا احساسات مشتری دقیق و قابل اعتماد را در زمان واقعی دریافت کنید.