Efektywna długoterminowa analiza nastrojów oparta na pamięci w recenzjach e-commerce Część 1

W dzisiejszej epoce nowożytnej handel elektroniczny robi postępy, udostępniając towary każdemu w zasięgu ręki. Konsumenci nie muszą nawet wychodzić z domu, aby coś kupić, co czyni je bardzo wygodnymi.

Dzięki ciągłemu rozwojowi nowoczesnych technologii i szybkiemu rozwojowi e-commerce nasze życie stało się wygodniejsze i wydajniejsze, co w pewnym stopniu odbiło się także na naszej pamięci. Jednakże rzeczywiście istnieje związek między handlem elektronicznym a pamięcią, a związek ten jest pozytywny i pozytywny.

Przede wszystkim e-commerce zapewnia nam wygodniejszy sposób robienia zakupów. Nie musimy już udawać się do centrum handlowego, aby dokonać zakupów osobiście. Za pomocą kilku kliknięć myszką potrzebny nam towar może zostać do nas dostarczony ekspresową przesyłką. Ta forma zakupów eliminuje obawy związane z długim oczekiwaniem i tłumami, oszczędzając czas i energię. Wraz z rozwojem e-commerce możemy korzystać z coraz bardziej inteligentnych technologii podczas zakupów, takich jak zakupy głosowe, inteligentne rekomendacje itp. Technologie te mogą sprawić, że nasze zakupy będą wygodniejsze i wydajniejsze.

Po drugie, e-commerce może nam również pomóc lepiej zarządzać informacjami i danymi, co korzystnie wpływa na naszą pamięć i wydajność pracy. Możemy używać narzędzi takich jak poczta elektroniczna, dyski w chmurze i notatki online do rejestrowania i udostępniania ważnych informacji, uwalniając nasze mózgi. Narzędzia te pomagają nam lepiej organizować informacje i zarządzać nimi, dzięki czemu nasz mózg musi skupiać się tylko na najważniejszych rzeczach. W tym przypadku nasza pamięć jest nadal trenowana, ponieważ używamy tych technik i narzędzi, aby pomóc nam zapamiętać informacje, zamiast próbować je zapamiętać.

Wreszcie e-commerce może również pomóc nam w nauce i rozwoju, co bardzo korzystnie wpływa na naszą pamięć i rozwój intelektualny. Nowej wiedzy i umiejętności możemy uczyć się poprzez kursy online, e-booki, platformy edukacyjne online i inne narzędzia. Narzędzia te pozwalają nam lepiej zarządzać wiedzą i ją doskonalić, a jednocześnie pomagają nam lepiej rozwijać życie zawodowe i osobiste. Ten sposób uczenia się może pobudzić nasze myślenie oraz poprawić naszą pamięć i kreatywność.

Ogólnie rzecz biorąc, rzeczywiście istnieje związek między handlem elektronicznym a pamięcią, ale jest on pozytywny i pozytywny. Handel elektroniczny możemy wykorzystać do poprawy jakości życia i wydajności pracy, ale możemy go również wykorzystać do poprawy naszej inteligencji i pamięci. Dlatego powinniśmy aktywnie wykorzystywać te technologie i narzędzia, aby dodać więcej pozytywnej energii do naszego życia i rozwoju kariery. Widać, że musimy poprawić pamięć, a Cistanche desericola może znacznie poprawić pamięć, ponieważ Cistanche desericola to tradycyjny chiński materiał leczniczy, który ma wiele unikalnych efektów, z których jednym jest poprawa pamięci. Skuteczność mięsa mielonego wynika z różnych zawartych w nim składników aktywnych, w tym kwasów, polisacharydów, flawonoidów itp. Składniki te mogą na różne sposoby promować zdrowie mózgu.

Kliknij Poznaj 10 sposobów na poprawę pamięci

Co więcej, istnieje szeroka gama marek do wyboru. Ponieważ obecnie coraz więcej klientów korzysta z platform zakupów online, rośnie także wartość ocen. Kupując te produkty, ludzie polegają wyłącznie na opiniach na ich temat.

Aby przeanalizować te recenzje, należy przeprowadzić analizę nastrojów, która może okazać się przydatna zarówno dla kupującego, jak i producenta. W artykule opisano proces analizy sentymentów i jego wymagania.

W tym artykule do przeprowadzenia naszych badań wykorzystano zestaw danych Amazon Reviewdataset 2018, a pamięć długoterminową (LSTM) połączono z reprezentacją Word2vec, co poprawiło ogólną wydajność.

Podczas procesu szkolenia LSTM zastosował mechanizm bramkujący. Proponowany model LSTM został oceniony na podstawie czterech miar wydajności: dokładności, precyzji, zapamiętywania i wyniku F1, i uzyskał ogólnie wyższe wyniki w porównaniu z innymi modelami bazowymi.

1. Wstęp

Od czasów historycznych komunikacja odgrywała kluczową rolę w zacieśnianiu relacji społecznych. Obecnie prawie każda część społeczeństwa korzysta z mediów społecznościowych, które przekształciły się w skuteczne narzędzie sieciowe. Główną część mediów społecznościowych stanowią serwisy e-commerce.

Ze względu na szybki rozwój technologii e-commerce, większość ludzi decyduje się obecnie na zakupy online. Ludzie mogą korzystać z mediów społecznościowych, aby przekazywać opinie na temat różnych sytuacji, przedmiotów i zasobów, które mogą być pozytywne lub negatywne, w zależności od doświadczenia klienta.

Nieprzychylne komentarze odgrywają zasadniczą rolę w rozwoju firmy, ponieważ pomagają ulepszyć usługi. Tutaj wchodzi w grę analiza nastrojów.

Analiza nastrojów pomaga w przekazaniu opinii klienta na temat różnych towarów za pomocą informacji tekstowych i jednoczesnej ocenie udostępnionych recenzji.

Różne typy badań sugerują, że analizę nastrojów prowadzi się na ogół na trzech poziomach: zdania, dokumentu i frazy [1–3]. E-podetapy procesu analizy nastrojów przedstawiono na rysunku 1.

Czy badanie proponuje wykorzystanie sieci LSTM do klasyfikacji dużej liczby recenzji Amazon. to technika głębokiego uczenia się jest szybka i daje lepsze wyniki nawet przy dużej liczbie recenzji. W badaniu wykorzystano osadzanie word2vec w celu efektywnego oszacowania reprezentacji słów w przestrzeni wektorowej.

Word2vec zapewnia lepsze wyniki niż standardowe metody reprezentacji, takie jak zbiór słów lub kodowanie jednoczęściowe. Badanie to skupia się głównie na dwóch częściach: Efektywnym mapowaniu słów sentymentalnych na przestrzeń wektorową poprzez model word2vec i sieć LSTM do klasyfikacji recenzji.

2. Przegląd literatury

Sekcja +is zawiera wszystkie ważne prace podstawowe dotyczące tematu analizy nastrojów, które są istotne dla naszych badań.

Odkryliśmy, że większość wcześniejszych prac wykorzystywała algorytmy uczenia maszynowego, algorytmy głębokiego uczenia się i leksykon nastrojów. W Tabeli 1 podsumowaliśmy podejścia zastosowane w badaniu oraz zalety i wady tych podejść.

W roku 2013 Sindhu i Chandrakala [4] zaobserwowali najnowsze i skuteczne techniki stosowane do badania analizy nastrojów, w tym klasyfikację polaryzacji nastrojów i różne techniki uczenia maszynowego, takie jak NaiveBayes, maksymalna entropia i maszyna wektorów nośnych. +esurvey sugeruje, że klasyfikację nastrojów można określić na podstawie dwóch atrybutów: przypisania polaryzacji, tj. określenia, czy sentyment jest pozytywny, negatywny czy neutralny, oraz przypisania intensywności, które obrazuje, jak silny lub łagodny jest dany sentyment pod względem polaryzacji.

Jurek i in. [5] przedstawili model z algorytmem analizy nastrojów opartym na leksykonie, który obejmował dwa kluczowe elementy: funkcję integracji opartą na dowodach i normalizację nastrojów, która mierzyła emocje, a nie etykietę pozytywną/negatywną i pomagała w różnicowaniu różnych emocji.

Jako zbiór danych w tym badaniu wykorzystano publicznie dostępny korpus Twittera, a głównym celem badania była analiza treści Twittera w czasie rzeczywistym.

Zhang i in. [6] przedstawili podejście oparte na multiklasyfikacji w celu przeprowadzenia analizy nastrojów w recenzjach e-commerce.

Co więcej, Zhang i in. [6] przedstawili wieloklasyfikacyjny model analizy nastrojów recenzji e-commerce. W proponowanym badaniu, które opierało się na ukierunkowanym problemie ważonym, wykorzystano zbiór danych z przeglądu eAmazon (2018). + W zaproponowanym badaniu stwierdzono, że poprzez wyodrębnienie słów jednostek z cechami, ocenę wzorców nastrojów i ocenę najkrótszej ścieżki między węzłami, problem podobieństwa nastrojów można przekształcić w problem obliczenia najkrótszej ścieżki. W porównaniu z modelem BERT [7], model ten działał lepiej pod względem czasu procesora algorytmu.

Dey i in. [8] zbadali algorytmy uczenia maszynowego K-NN i Naive Bayes, stosując trzy metryki oceny. +eNaive klasyfikator Bayesa w swojej pracy przewyższył klasyfikator K-NN.

Badacze w [9] zaprezentowali model klasyfikacji nastrojów za pomocą dwóch technik. W pierwszym zaproponowanym podejściu zastosowano algorytm klasyfikacji sentymentów wykorzystujący klasyfikator K-NN, a w drugim algorytm maszyny wektorów nośnych. +Efektywność algorytmu klasyfikacji została sprawdzona na podstawie prawdziwych tweetów. + Uzyskane wyniki wykazały, że algorytm klasyfikacji nastrojów był lepszy od SVM w walidacji eksperymentalnej.

W [10] przedstawiono porównanie metod uczenia się pod nadzorem i bez nadzoru. +ich praca zapewniła analizę porównawczą algorytmów uczenia się pod nadzorem (CNN i KNN) i bez nadzoru (CNN, gdzie K oznacza grupowanie).

Fang i in. [11] wprowadzili technikę analizy wielosentymentowej, która w dużym stopniu uwzględnia teorię zbiorów rozmytych, teorię uczenia maszynowego i metodę opartą na leksykonie polaryzacji. Następnie przeanalizowano opinie konsumentów przy użyciu tego hybrydowego modelu.

W badaniu wykorzystano naiwne algorytmy Bayesa i SVM. + ulepszony model SVM, tj. metoda hybrydowa, która łączy wielostrategiczną analizę nastrojów z SVM, okazał się znacznie skuteczniejszy i dał dokładność na poziomie 86,35%.

Dodatkowo zaobserwowano wzrost dokładności o 3,8% podczas wdrażania ulepszonego Naive Bayes. Ponadto badacze w [12] zaprezentowali sposób włączenia elementów leksykalnych i mechanizmu uwagi do CNN. +edataset został utworzony przy użyciu tweetów. Metodę +e oceniano na podstawie wyniku F1. +Zaproponowana praca wypadła lepiej niż obecne.

System rekomendacji oparty na rekurencyjnej sieci neuronowej (RNN) (RDSA) został wprowadzony przez Preethi i wsp. [13].

Do optymalizacji sugestii skupionych na analizie nastrojów wykorzystano głębokie uczenie się, co przeprowadzono w ramach trzech oddzielnych przeglądów w tym badaniu.

W pierwszej kolejności zbadano zbiory danych i zaobserwowano ich aspekty statystyczne przed wdrożeniem naiwnego klasyfikatora Bayesa i RNN. +Wyniki prób wykazały, że wykorzystanie RNN, głębokiej sieci neuronowej, zwiększyło dokładność analizy nastrojów, prowadząc do dokładniejszych sugestii dla użytkowników i pomagając w wyborze konkretnej pozycji w zależności od wymagań użytkowników.

Co więcej, badacze w [14] zaproponowali użycie selekcji cech w oparciu o Giniindex i klasyfikatora SVM do kategoryzowania danych. +Zbiorem danych na potrzeby tego badania był duży zbiór recenzji filmów.

Na podstawie wyników eksperymentów uznano, że proponowana metoda jest mniej dokładna niż inne metody. Bramkowany RNN z połączeniami między opiniami został wprowadzony przez Chen i in. [15]. +isaproach miał dokładność około 92,6%.

Do klasyfikacji w [16] zaproponowano dwukierunkową bramkowaną jednostkę rekurencyjną (BiGRU) połączoną z mechanizmem uwagi. Stwierdzono, że podejście +is jest skuteczne w przypadku zadań klasyfikacyjnych i zapewnia lepsze wyniki niż poprzednio stosowane metody, z dokładnością na poziomie 93,1%. Model analizy nastrojów zastępczych obejmujący CNN i BiGRU oparty na uwadze został zaproponowany przez badaczy w [17].

Integrując zalety leksykonu nastrojów z technologią głębokiego uczenia, kompensuje wady tradycyjnego modelu analizy nastrojów w przypadku recenzji produktów. + Leksykon sentymentu obsługuje atrybuty nastrojów znalezione w recenzjach, a CNN użyte w połączeniu z siecią bramkowanych jednostek rekurencyjnych wyodrębnia istotne cechy nastrojów i elementy kontekstu. + Sugerowany model dał 93,5% dokładności analizy eksperymentalnej, która okazała się wyższa niż modele NB, SVM i CNN. Hyun i in. [18] zaproponowali model splotowej sieci neuronowej oparty na zależności od celu. +Rekomendowana metoda pomaga ocenić wpływ słów otaczających na słowo docelowe poprzez obliczenie odległości pomiędzy słowem docelowym a słowami otaczającymi. +Ich badanie wykazało, że każdy termin w zdaniu miał różny wpływ na emocjonalną polaryzację wypowiedzi.
Hybrydowy model głębokiego uczenia się, który systematycznie integruje podejścia do osadzania wielu słów (Word2vec, FastText i osadzanie na poziomie znaków) oraz kilka metod głębokiego uczenia się (LSTM, GRU, BiLSTM i CNN) został zaproponowany przez badaczy w [19]. +Zaproponowany model uzyskuje cechy poprzez wyodrębnienie ich przy użyciu różnych metod osadzania słów, łączy je i klasyfikuje tekst jako persentiment.

Aby zweryfikować wydajność sugerowanego modelu, zbudowano wiele modeli głębokiego uczenia się, znanych jako modele standardowe, i wykorzystano je do przeprowadzenia serii eksperymentów. Porównując wydajność proponowanego modelu z wynikami wcześniejszych badań, zgodnie z wynikami tego badania, nowy model przewyższa modele bazowe.

For more information:1950477648nn@gmail.com