Comment effectuer une analyse des sentiments des entités à l'aide de Python

Dans ce guide, nous allons vous montrer comment effectuer une analyse des sentiments des entités à l'aide de Python. Qu'il s'agisse d'extraire des informations du texte, d'analyser les sentiments à l'égard d'entités spécifiques ou d'améliorer les tâches de traitement du langage naturel, ce didacticiel couvre les techniques essentielles pour l'analyse des sentiments des entités.

À la fin, vous serez en mesure d'évaluer avec précision les sentiments liés aux entités, améliorant ainsi vos capacités d'analyse de texte dans les projets basés sur Python.

‍

Qu'est-ce que Analyse du sentiment des entités?

Analyse du sentiment des entités est une technique de traitement du langage naturel (NLP) qui identifie des entités (telles que des personnes, des marques, des lieux ou des produits) dans un texte et détermine le sentiment associé à chaque entité.

Au lieu d'analyser le sentiment général dans un texte, cette méthode met en évidence la façon dont des entités spécifiques sont perçues (positive, négative ou neutre), ce qui permet aux entreprises et aux applications d'obtenir des informations plus précises.

‍

Cas d'utilisation de l'analyse du sentiment des entités

1. Surveillance de la marque — Les entreprises peuvent suivre la perception de leur marque par le public en analysant les réseaux sociaux, les critiques et les articles de presse afin de comprendre le sentiment à l'égard de leurs produits ou services.
2. Analyse des commentaires des clients — Les entreprises peuvent extraire des informations des avis clients et des tickets d'assistance pour identifier les produits ou fonctionnalités qui suscitent un sentiment positif ou négatif.
3. Étude de marché — Les analystes peuvent évaluer les tendances du sentiment à l'égard des concurrents, les tendances du secteur ou les lancements de nouveaux produits afin de prendre des décisions commerciales fondées sur des données.
4. Analyse des médias et de l'actualité — Les journalistes et les chercheurs peuvent suivre la manière dont les personnes, les entreprises ou les personnalités politiques sont abordées dans les articles de presse et les réseaux sociaux.

En mettant en œuvre l'analyse des sentiments des entités, les entreprises et les développeurs peuvent obtenir des informations plus approfondies et exploitables à partir de données textuelles, améliorant ainsi la prise de décision et l'expérience utilisateur.

‍

‍

Comment analyser le sentiment des entités ?

‍

Configurez votre compte Eden AI

1. INSCRIVEZ-VOUS: Si vous n'avez pas encore créé de compte Eden AI, vous pouvez vous inscrire rapidement et gratuitement en utilisant ce lien. notre clé API sera disponible dans le Clés d'API section, ainsi que des crédits gratuits fournis par Eden AI.

2. Accédez aux technologies de traitement de texte: Une fois connecté, accédez à la section de traitement de texte de la plateforme.

3. Sélectionnez l'analyse des sentiments des entités: Choisissez la fonction Entity Sentiment Analysis.

‍

Implémentation de l'analyse des sentiments des entités en Python

‍

Installez le module Requests de Python: Pour interagir avec l'API Eden AI, assurez-vous que le module de requêtes est installé. Si ce n'est pas le cas, installez-le en utilisant :

pip install requests

‍

Préparez le code

Vous trouverez ci-dessous un script Python qui effectue une analyse des sentiments des entités à l'aide de l'API d'Eden AI.

    
import json
import requests

# Set authorization header
headers = {"Authorization": "Bearer <your_api_key>"}

# Define the API endpoint and the request payload
url = "https://api.edenai.run/v3/chat/completions"
payload = {
    "model": "openai/gpt-4o-mini",
    "messages": [
        {
            "role": "system",
            "content": "Extract the named entities from the text. For each one, give its type (PERSON, LOCATION, ORGANIZATION...) and the sentiment expressed towards it.",
        },
        {
            "role": "user",
            "content": "Barack Hussein Obama is an American politician who served as the 44th president of the United States...",
        },
    ],
    # Ask for JSON that follows this schema
    "response_format": {
        "type": "json_schema",
        "json_schema": {
            "name": "entity_sentiment",
            "strict": True,
            "schema": {
                "type": "object",
                "properties": {
                    "items": {
                        "type": "array",
                        "items": {
                            "type": "object",
                            "properties": {
                                "text": {"type": "string"},
                                "sentiment": {"type": "string", "enum": ["positive", "negative", "neutral"]},
                                "type": {"type": "string"},
                            },
                            "required": ["text", "sentiment", "type"],
                            "additionalProperties": False,
                        },
                    }
                },
                "required": ["items"],
                "additionalProperties": False,
            },
        },
    },
}

# Make the API request
response = requests.post(url, json=payload, headers=headers)

# Parse the JSON returned by the model
result = json.loads(response.json()["choices"][0]["message"]["content"])

# Print each entity's sentiment and type
for item in result["items"]:
    print(f"Text: {item['text']}")
    print(f"Sentiment: {item['sentiment']}")
    print(f"Entity: {item['type']}\n")
  

• ‍Authentification : Utilise la clé API dans les en-têtes de demande.‍
• Endpoint : Envoie la demande à l'endpoint de chat d'Eden AI compatible OpenAI. L'analyse des sentiments des entités passe désormais par un LLM, choisi avec le champ model (ici openai/gpt-4o-mini).‍
• Charge utile : Inclut les instructions, le texte à analyser et un schéma JSON (response_format) qui fixe la forme de la réponse : texte, sentiment et type de chaque entité.‍
• Gestion des réponses : Lit le JSON produit par le modèle dans choices[0].message.content et affiche les détails du sentiment de chaque entité.

‍

Interprétation des résultats

Text: Barack Hussein Obama
Sentiment: positive
Entity: PERSON

Text: United States
Sentiment: neutral
Entity: LOCATION

• Le modèle détecte entités (par exemple, « Barack Hussein Obama » est classé comme une PERSONNE, « États-Unis » comme un LIEU).
• Il attribue un sentiment (positif, négatif ou neutre) pour chaque entité en fonction de son contexte dans le texte.

‍

Pourquoi Eden AI est le meilleur outil pour l'analyse des sentiments des entités

Assistance multifournisseurs

Accédez à des fournisseurs de NLP de premier plan tels que Google, IBM et Amazon via une API unique, rationalisant ainsi l'intégration des fonctionnalités avancées de traitement du langage dans vos applications.

Intégration facile

La structure simple de l'API garantit une mise en œuvre rapide et facile, vous permettant d'intégrer de manière fluide des fonctionnalités puissantes à votre système avec un minimum d'effort et de configuration.

Évolutivité

Parfait pour les petits projets comme pour les applications à grande échelle, il offre des performances évolutives pour répondre à divers besoins.

Tarification flexible

Propose des options de tarification flexibles avec des crédits gratuits pour démarrer et des plans de paiement à l'utilisation qui vous permettent de ne payer que ce que vous consommez, garantissant ainsi une rentabilité et une évolutivité à mesure que vos besoins évoluent.

‍

Conclusion

Dans ce guide, nous avons exploré comment implémenter l'analyse des sentiments des entités à l'aide de Python et de l'API d'Eden AI.

En suivant ces étapes, vous pouvez extraire des informations précieuses à partir de données textuelles, ce qui permet d'améliorer le suivi de la marque, l'analyse du sentiment des clients et les processus de prise de décision.

Inscrivez-vous à Eden AI dès aujourd'hui et intégrez l'analyse des sentiments des entités à votre projet !

Questions fréquentes sur effectuer une analyse des sentiments des entités à l'aide de Python