Analiza eficientă a sentimentelor bazată pe memorie pe termen scurt a recenziilor de comerț electronic Partea 1

În epoca modernă de astăzi, comerțul electronic face progrese prin procesul de a aduce bunuri la îndemâna tuturor. Consumatorilor nici măcar nu li se cere să iasă din confortul casei lor pentru a cumpăra lucruri, ceea ce le face foarte convenabil.

Odată cu dezvoltarea continuă a tehnologiei moderne și dezvoltarea rapidă a comerțului electronic, viața noastră a devenit mai convenabilă și mai eficientă, ceea ce ne-a afectat într-o oarecare măsură memoria. Cu toate acestea, există într-adevăr o relație între comerțul electronic și memorie, iar relația este pozitivă și ascendentă.

În primul rând, comerțul electronic ne oferă o metodă de cumpărături mai convenabilă. Nu mai trebuie să mergem la mall pentru a face cumpărături personal. Cu doar câteva clicuri de mouse, bunurile de care avem nevoie ne pot fi livrate prin livrare rapidă. Această formă de cumpărături elimină grijile așteptărilor lungi și aglomerației, economisindu-ne timp și energie. Odată cu dezvoltarea comerțului electronic, putem folosi tehnologii mai inteligente pentru a face cumpărături, cum ar fi cumpărăturile vocale, recomandările inteligente etc. Aceste tehnologii pot face cumpărăturile noastre mai convenabile și mai eficiente.

În al doilea rând, comerțul electronic ne poate ajuta, de asemenea, să gestionăm mai bine informațiile și datele, ceea ce este benefic pentru memoria și eficiența muncii noastre. Putem folosi instrumente precum e-mailul, discuri cloud și note online pentru a înregistra și a partaja informații importante, eliberându-ne creierul. Aceste instrumente ne ajută să organizăm și să gestionăm mai bine informațiile, asigurându-ne că creierul nostru trebuie să se concentreze doar pe cele mai importante lucruri. În acest caz, memoria noastră este încă antrenată, deoarece folosim aceste tehnici și instrumente pentru a ne ajuta să ne amintim informațiile, mai degrabă decât să încercăm să ne amintim.

În cele din urmă, comerțul electronic ne poate ajuta și să învățăm și să ne dezvoltăm, ceea ce este foarte benefic pentru memorie și dezvoltare intelectuală. Putem învăța cunoștințe și abilități noi prin cursuri online, cărți electronice, platforme de învățare online și alte instrumente. Aceste instrumente ne permit să gestionăm și să stăpânim mai bine cunoștințele, ajutându-ne totodată să ne dezvoltăm mai bine viața profesională și personală. Acest mod de a învăța ne poate stimula gândirea și ne poate îmbunătăți memoria și creativitatea.

În general, există într-adevăr o relație între comerțul electronic și memorie, dar este una pozitivă și ascendentă. Putem folosi comerțul electronic pentru a ne îmbunătăți calitatea vieții și eficiența muncii și, de asemenea, îl putem folosi pentru a ne îmbunătăți inteligența și memoria. Prin urmare, ar trebui să folosim în mod activ aceste tehnologii și instrumente pentru a adăuga mai multă energie pozitivă vieții noastre și dezvoltării carierei. Se poate observa că trebuie să îmbunătățim memoria, iar Cistanche deserticola poate îmbunătăți semnificativ memoria deoarece Cistanche deserticola este un material medicinal tradițional chinezesc care are multe efecte unice, dintre care unul este îmbunătățirea memoriei. Eficacitatea cărnii tocate vine din diferitele ingrediente active pe care le conține, inclusiv acid, polizaharide, flavonoide etc. Aceste ingrediente pot promova sănătatea creierului în diferite moduri.

Faceți clic pe cunoaște 10 moduri de a îmbunătăți memoria

În plus, există o mare varietate de mărci din care să alegeți. Din moment ce mai mulți clienți depind de platformele de cumpărături online în zilele noastre, valoarea evaluărilor crește și ea. Pentru a cumpăra aceste produse, oamenii se bazează numai pe recenziile care sunt furnizate despre produse.

Pentru a analiza aceste recenzii, trebuie efectuată o analiză a sentimentelor, care se poate dovedi utilă atât pentru cumpărători, cât și pentru producător. Această lucrare descrie procesul de analiză a sentimentelor și cerințele acestuia.

În această lucrare, setul de date Amazon Review 2018 a fost utilizat pentru realizarea cercetării noastre, iar memoria pe termen lung pe termen scurt (LSTM) a fost combinată cu reprezentarea word2vec, ceea ce duce la îmbunătățirea performanței generale.

Un mecanism de deschidere a fost folosit de LSTM în timpul procesului de antrenament. Modelul LSTM propus a fost evaluat pe patru măsuri de performanță: acuratețe, precizie, reamintire și scor F1 și a obținut rezultate generale mai mari în comparație cu alte modele de referință.

1. Introducere

Comunicarea a jucat un rol cheie în stimularea relațiilor sociale încă din timpurile istorice. În zilele noastre, aproape fiecare segment al societății folosește rețelele sociale, deoarece a evoluat într-un instrument de rețea eficient. Partea principală a rețelelor sociale cuprinde site-uri de comerț electronic.

Datorită progresului rapid al tehnologiilor de comerț electronic, majoritatea oamenilor aleg acum să cumpere online. Oamenii pot folosi rețelele sociale pentru a oferi feedback cu privire la diferite situații, articole și resurse, care pot fi pozitive sau negative, pe baza experienței clientului.

Comentariile nefavorabile joacă un rol esențial în creșterea companiei, deoarece ajută la îmbunătățirea serviciilor. Aici intervine analiza sentimentelor.

Analiza sentimentelor ajută la dezvăluirea punctului de vedere al clientului asupra diferitelor bunuri prin intermediul informațiilor text și, în același timp, la evaluarea acestor recenzii partajate.

Diverse tipuri de cercetări sugerează că analiza sentimentelor este în general efectuată pe trei niveluri: nivel de propoziție, document și frază [1–3]. Subpașii implicați în procesul de analiză a sentimentelor sunt reprezentați în Figura 1.

Această cercetare propune utilizarea rețelelor LSTM pentru a clasifica un număr mare de recenzii Amazon. Această tehnică de deeplearning este rapidă și oferă rezultate mai bune chiar și pentru un număr mare de recenzii. Studiul folosește încorporarea word2vec pentru estimarea eficientă a reprezentărilor de cuvinte în spațiul vectorial.

Word2vec oferă rezultate mai bune decât metodele standard de reprezentare, cum ar fi codarea unui pachet de cuvinte sau a unei părți. Acest studiu se concentrează în principal pe două părți: Maparea eficientă a cuvintelor sentimentale în spațiul vectorial prin modelul word2vec și rețeaua LSTM pentru a clasifica recenziile.

2. Studiu de literatură

+aceasta secțiune conține toate lucrările de bază importante pe subiectul analizei sentimentelor care este relevantă pentru cercetarea noastră.

Am descoperit că majoritatea lucrărilor anterioare foloseau algoritmi de învățare automată, algoritmi de învățare profundă și lexic de sentimente. În tabelul 1, am rezumat abordările utilizate în cercetare și meritele și dezavantajele abordărilor.

În anul 2013, Sindhu și Chandrakala [4] au observat tehnici eficiente și eficiente care sunt folosite pentru a studia analiza sentimentelor, inclusiv clasificarea polarității sentimentelor și diferite tehnici de învățare automată, cum ar fi NaiveBayes, Maximum Entropy și suport vector machine. Sondajul sugerează că clasificarea sentimentelor poate fi determinată de două atribute, atribuirea polarității, adică determinarea dacă sentimentul este pozitiv, negativ sau neutru și atribuirea intensității, care descrie cât de puternic sau ușor este sentimentul particular în termeni de polaritate.

Jurek şi colab. [5]a prezentat un model cu un algoritm de analiză a sentimentelor bazat pe lexic, care a inclus două componente cheie: funcția de integrare bazată pe dovezi și normalizarea sentimentelor, care a măsurat emoția mai degrabă decât o etichetă pozitivă/negativă și a ajutat la diferențierea diferitelor emoții.

Un Twitter Corpus disponibil public a fost folosit ca set de date pentru acest studiu, principalul obiectiv al studiului fiind analiza conținutului Twitter în timp real.

Zhang şi colab. [6] a prezentat o abordare multiclasificare pentru a efectua o analiză a sentimentelor asupra recenziilor de comerț electronic.

Mai mult, Zhang și colab. [6] a prezentat un model de clasificare multiplă pentru analiza sentimentelor recenziilor de comerț electronic. +Setul de date de revizuire eAmazon (2018) a fost utilizat pentru studiul propus, care s-a bazat pe o problemă ponderată direcționată. Studiul propus a afirmat că, prin extragerea cuvintelor entități cu caracteristici, evaluarea tiparelor de sentiment și evaluarea celei mai scurte căi dintre noduri, problema asemănării sentimentelor ar putea fi transformată într-o problemă de calcul a căii celei mai scurte. În comparație cu modelul BERT [7], acest model a funcționat mai bine în ceea ce privește timpul CPU al algoritmului.

Dey şi colab. [8] a examinat algoritmii de învățare automată, K-NN și Naive Bayes, folosind trei metrici de evaluare. Clasificatorul +eNaive Bayes a depășit clasificatorul K-NN în munca lor.

Cercetătorii din [9] au prezentat un model de clasificare a sentimentelor cu două tehnici. Prima abordare propusă, algoritmul de clasificare a sentimentelor a folosit clasificatorul K-NN, iar în celălalt, a fost folosit algoritmul suport vectormachine. +eficiența algoritmului de clasificare a fost validată pe baza tweet-urilor reale. Rezultatele obținute au arătat că goritmul de clasificare a sentimentului a depășit SVM la validarea experimentală.

În [10], a fost prezentată o comparație a metodelor de învățare supravegheată și nesupravegheată. + Munca lor a oferit o analiză comparativă a algoritmilor de învățare supravegheați (CNN și KNN) și nesupravegheați (CNN cu K înseamnă grupare).

Fang şi colab. [11] a introdus o tehnică de analiză multisentiment care încorporează în mare măsură teoria seturilor neclare, teoria învățării automate și o metodă bazată pe lexic de polaritate. Recenziile consumatorilor au fost apoi analizate folosind acest model hibrid.

Pentru acest studiu au fost utilizați algoritmi naivi Bayes și SVM. +e modelul SVM îmbunătățit, adică o metodă hibridă care combină analiza sentimentului multistrategic cu SVM, a avut mult mai mult succes și a oferit o precizie de 86,35%.

În plus, a fost observată o creștere cu 3,8% a preciziei în timpul implementării Naive Bayes actualizate. În plus, cercetătorii din [12] au prezentat o modalitate de încorporare a înglobărilor lexicale și a unui mecanism de atenție în CNN. +edataset a fost creat folosind tweet-uri. Metoda +e a fost evaluată folosind scorul F1. +e lucrarea care s-a sugerat să fie executată mai bine decât cele prezente.

Un sistem de recomandare bazat pe Rețeaua Neuronală Recursivă (RNN) (RDSA) a fost introdus de Preethi și colab.[13].

Învățarea profundă a fost utilizată pentru a optimiza sugestiile centrate pe analiza sentimentelor și a fost realizată pe trei recenzii separate în acest studiu.

În primul rând, seturile de date au fost investigate și aspectele statistice ale acestora au fost observate înainte de implementarea clasificatorului Naive Bayes și a RNN. Rezultatele studiilor au arătat că utilizarea RNN, o rețea neuronală profundă, a sporit acuratețea analizei sentimentelor, conducând la sugestii mai fine pentru utilizatori și ajutând la selectarea unei poziții particulare în funcție de cerințele utilizatorilor.

În plus, cercetătorii din [14] au propus utilizarea unei selecții de caracteristici bazate pe Giniindex și a unui clasificator SVM pentru a clasifica datele. Setul de date +e pentru acest studiu a fost o colecție mare de recenzii de filme.

Pe baza constatărilor experimentelor, s-a stabilit că metoda propusă este mai puțin precisă decât alte metode. Chen și colab. au introdus un RNN gated cu conexiuni inter-opinie. [15]. +isapproach a avut o precizie de aproximativ 92,6%.

Pentru clasificare, a fost propusă în [16]. Această abordare sa dovedit a fi eficientă pentru sarcinile de clasificare și a generat rezultate mai bune decât metodele utilizate anterior, cu o acuratețe de 93,1%. Un model de analiză a sentimentelor de înlocuire care încorporează CNN și BiGRU bazat pe atenție a fost propus de cercetători în [17].

Prin integrarea beneficiilor lexicului sentimentelor cu tehnologia de deep learning, compensează defectele modelului tradițional de analiză a sentimentelor pentru recenziile produselor. +e sentimentlexicon acceptă atributele de sentiment găsite în recenzii, iar CNN-ul utilizat împreună cu rețeaua de unități recurente gated extrage caracteristici semnificative de sentiment și elemente de context. +e modelul sugerat a oferit o precizie de 93,5% în analiza experimentală, care s-a dovedit a fi mai mare decât modelele NB, SVM și CNN. Hyun și colab. [18] a sugerat un model de rețea neuronală convoluțională bazat pe dependența de țintă. +e metoda recomandată ajută la neevaluarea impactului cuvintelor din jur asupra cuvântului țintă prin calculul distanței dintre cuvântul țintă și cuvintele din jur. Studiul lor a constatat că fiecare termen dintr-o propoziție a avut un efect variat asupra polarității emoționale a enunțului.
Un model hibrid de învățare profundă care integrează în mod sistematic mai multe abordări de încorporare a cuvintelor (Word2vec, FastText și încorporarea la nivel de caractere) și mai multe metode de învățare profundă (LSTM, GRU, BiLSTM și CNN) a fost propus de cercetători în [19]. +e modelul sugerat obține caracteristici prin extragerea lor folosind diverse metode de încorporare a cuvintelor, le îmbină și clasifică textul ca persentiment.

Pentru a valida performanța modelului sugerat, numeroase modele de învățare profundă cunoscute sub numele de modele standard au fost construite și utilizate pentru a derula o serie de experimente. Când se compară performanța modelului propus cu cea a cercetărilor anterioare, noul model depășește modelele de bază, conform constatărilor acestui studiu.

For more information:1950477648nn@gmail.com