为什么要进行情绪分析？
情感分析是确定一篇文章是积极的、消极的还是中性的过程。它也称为意见挖掘，推导出说话者的意见或态度。情绪分析的一个常见用例是分析客户评论。情绪分析可以帮助您了解客户对您的产品或服务的情绪。它还可以帮助您了解客户喜欢或不喜欢您的产品或服务的哪些方面。情感分析还可用于分析社交媒体帖子、新闻文章和其他形式的文本数据。企业经常使用它来深入了解客户的意见和偏好，以及监控品牌声誉和跟踪对其产品或服务的提及。此外，情绪分析可用于政治运动以跟踪公众舆论，也可用于娱乐业以衡量观众对电影、电视节目和其他形式媒体的反应。可以使用多种技术执行情感分析，包括自然语言处理 (NLP)，就像我们将在 Cohere 的帮助下在本教程中所做的那样。
为什么是凝聚力？
Cohere 是一个自然语言处理 (NLP) 平台，可以轻松构建、部署和管理 NLP 模型。Cohere 提供了一套 NLP 工具，可用于各种用例，包括情感分析、文本分类和实体提取。Cohere 是在应用程序和服务中构建 NLP 流程的绝佳工具。
在过去，情绪分析是一项非常困难的工作，而且也不是很准确。例如，逐字检查评论或任何文本数据，如果该词是正面的或负面的，则会根据大量的词/分数对为其打分。此外，您只能检查总体情绪，而不能检查评论或文本中的特定主题。这在 Cohere 的帮助下改变了。今天我们将使用 Cohere 和 Replit 创建一个情绪分析应用程序，并使用它从客户评论中获得深入的见解，它看起来像这样：
让我们开始吧
首先我们需要创建一个新的 Replit 项目。您可以前往 Replit.com 单击右上角的“新建 repl”按钮来完成此操作。您可以为您的项目选择一种语言，我们将使用 Python。为您的 Replit 命名并单击“Create Replit”。现在我们有了 Replit 项目，我们可以开始编码了。让我们前往 Cohere 游乐场。Playground 是测试您的想法和感受 Cohere 工作原理的好地方。您还可以使用 Playground 来测试不同的模型并查看它们的性能。对于我们的用例，我们需要以特定方式构建提示。我们将传递几个硬编码示例来指导模型执行我们希望它执行的操作。在提示的末尾，我们将添加要动态分析的文本。我们的提示将如下所示：
你可以看到我们有几个正面和负面评论的例子。对提示的每次复习都以特定的方式组织。第一行紧接着是Review:实际审查。其次是Extracted Sentiment:带有多个关键字的评论的情绪。关键字采用类似 JSON 的格式。这使得分析后的工作变得容易。最后一件事是--表示审核结束。然后设置Stop sequence为--表示提示结束。此外，将 设置Number of tokens为 500。您还可以测试不同的参数以获得适合您的用例的最佳结果。
现在让我们使用Export Code按钮导出代码。然后转到 Replit 并创建一个名为cohere.py. 您可以在其中粘贴 Playground 中的代码。然后替换{apiKey}为您的 Cohere API 密钥。您可以在 Cohere 仪表板中找到您的 API 密钥。
添加您的评论
现在我们需要将评论添加到代码中。您可以将您需要的任何数据源连接到您的代码。对于本教程，我们将使用硬编码的评论列表。您可以将评论添加到列表中reviews。
评论 [“我在这家酒店住得很愉快，房间很舒适，游泳池很大，酒店的酒吧很棒。位置非常好，就在洛杉矶市中心”，“服务很棒，但我不能转身关掉空调，食物没有广告上说的那么好”]
现在我们可以遍历列表并将评论动态添加到提示中。我们还将结果打印到控制台。
接下来，您需要使用 pip 安装 Cohere 包。您可以Shell通过在终端中运行以下命令在选项卡中执行此操作：
pip 安装一致
现在我们可以运行代码，看看会发生什么。您可以通过单击右上角的“运行”按钮来执行此操作。可以看到代码正在运行，我们得到了一个结果。结果是两个带有评论情绪的类似 JSON 的对象。您可以继续在代码中处理结果。例如，您可以将结果保存到数据库或使用它来创建仪表板以可视化结果。
结论
在本教程中，我们使用 Cohere 从客户评论中获得深入的见解。我们使用情绪分析来获取评论的情绪以及与情绪相关的关键词。我们使用 Cohere Playground 创建提示并导出代码。然后我们使用Replit来运行代码并得到结果。您可以使用相同的过程来分析您想要的任何文本数据。如果你想测试你的编码技能，或者只是想创建一个基于 Cohere 的工作应用程序，你应该参加我们即将举行的人工智能黑客马拉松之一。
你可以在 Replit 上找到整个项目
谢谢你！如果您喜欢本教程，您可以在我们的教程页面上找到更多信息并继续阅读 – AI未来百科 ; 探索AI的边界与未来！ 懂您的AI未来站