Effektiv langtidshukommelsesbaseret sentimentanalyse af e-handelsanmeldelser del 3

4. Resultater

Vi trænede vores model i omkring 10 epoker og beregnede trænings- og valideringstabet samt trænings- og valideringsnøjagtighed.

Tab kan virke som en uundgåelig begivenhed i vores liv, men dets indvirkning på vores mentale sundhed og hukommelse kan være dyb.

For det første, når vi oplever et tab, er det let at blive fanget af negative følelser. Dette kan omfatte tristhed, vrede, angst og meget mere. Disse følelser kan påvirke vores mentale sundhed og efterlade os udmattede, magtesløse og skuffede. Samtidig kan disse negative følelser også påvirke vores hukommelse, hvilket gør det svært for os at koncentrere os og vores hukommelse bliver sløret.

Klik på kend kosttilskud for at forbedre hukommelsen

Men selv når vi oplever tab, kan vi stadig bevare en positiv holdning og et optimistisk perspektiv, hvilket hjælper os med at overvinde virkningen af ​​negative følelser på vores mentale sundhed og hukommelse. Dette omfatter blandt andet at tilbringe tid med venner og familie, dele følelser, opretholde en sund kost og livsstil, deltage i fysisk træning og deltage i psykoterapi.

Derudover kan vi tage proaktive skridt for at hjælpe os selv med at bevare gode minder under tabsprocessen. Dette inkluderer at give dig selv lidt tid til at acceptere og tilpasse dig nye situationer, samt prøve nye hukommelsesteknikker og strategier, såsom at opbygge hukommelsesassociationer, gentage øvelser, bruge memory sticks osv.

Alt i alt tager tab en vejafgift på vores mentale sundhed og hukommelse, men vi kan tage proaktive skridt for at overvinde disse effekter. Hvis vi kan bevare en positiv holdning og give os selv lidt tid til at tilpasse os nye situationer, kan vi måske nemmere genvinde vores mentale helbred og hukommelse og komme videre til et bedre liv igen. Det kan ses, at vi skal forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen markant, fordi Cistanche deserticola er et traditionelt kinesisk medicinsk materiale, der har mange unikke effekter, hvoraf en er at forbedre hukommelsen. Effektiviteten af ​​hakket kød kommer fra de forskellige aktive ingredienser, det indeholder, herunder syre, polysaccharider, flavonoider osv. Disse ingredienser kan fremme hjernens sundhed på forskellige måder.

Vi kan se fra figur 4, at både træningstabet og valideringstabet faldt gennem træningen af ​​modellen. Figur 5 viser, at trænings- og valideringsnøjagtigheden steg efterfølgende i 10 epoker.

Da det endelige output, vi får, efter forudsigelse er sandsynlighed, anvender vi en vis tærskel for at bestemme, om dataene tilhører den positive eller negative klasse. Til dette formål har vi brugt ROC-kurven, der plotter de sande positive og negative satser.

Det hjælper med at finde tærskelværdierne for en binær klassifikator. Fra vores ROC-kurve vist i figur 6 har vi valgt 0.78 som vores tærskel.

+e gemte model genindlæses, og forudsigelser er blevet genereret på testdataene under hensyntagen til ovennævnte tærskelværdi. Nu har vi den oprindelige stemning såvel som den forudsagte stemning.

Da datasættet er ubalanceret, ville den bedre parameter til at teste modellen være F1-score i stedet for nøjagtighed.

I tabel 4 har vi samlet nøjagtighed, præcision, genkaldelse og F1-score for andre basismodeller og sammenlignet dem med vores model. +e basislinjemodeller blev overvejet ud fra den litteratur, vi gennemgik for dette eksperiment.

5. Konklusion+is papir diskuterer sentimentanalyse i forbindelse med e-handelsanmeldelser. Der har tidligere været undersøgt forskellige teknikker inden for meningsudvinding af anmeldelser.

Vores database består af anmeldelser fra sektionen mobiltelefon og tilbehør på Amazon. Langtidshukommelsesnetværk blev brugt til at klassificere stemningen ved hjælp af dyb læring. Vores tilpassede træningsdatasæt blev brugt til at udtrække de funktioner, der er indlejret i word2vec-indlejringsteknikken. Baseret på ROC-kurven bestemte vi, at 0.78 er den endelige tærskel, vi skal bruge til at klassificere stemning.

Fire parametre er blevet brugt til at evaluere vores models ydeevne: nøjagtighed, præcision, genkaldelse og F1-score. Præcision på 97% er fundet at være den højeste af de fire parametre.

Da datasættet er ubalanceret, betragter vi F1score som det bedste mål for modellens ydeevne, hvilket giver en evaluering på 93%. Hovedforsøget med denne forskning var at teste modellens funktionalitet med en stor mængde data. +is metode giver gode resultater selv for så store data på omkring 938.261 anmeldelser. +e Den største fordel ved at bruge denne metode er, at LSTM tager hensyn til langtidshukommelse og word2vec effektiv estimering af ordrepræsentationer, som hjælper med effektiv sentimentanalyse.

Til fremtidigt arbejde vil vi gerne overveje at bruge tovejs LSTM til sentimentklassificering, som træner to strenge af LSTM'er, den faktiske inputsekvens og den omvendte. +er kan hjælpe med at forbedre modellens ydeevne.

Datatilgængelighed

+e data, der bruges til at understøtte resultaterne af dette undersøgelsesområde, kan fås fra den tilsvarende forfatter efter anmodning.

Interessekonflikt

+e forfattere erklærer, at de ikke har nogen interessekonflikter.

Anerkendelser

+is forskning blev finansieret af Princess Nourah bint Abdulrahman University Researchers Supporting Project number.(PNURSP2022R120), Princess Nourah bint AbdulrahmanUniversity, Riyadh, Saudi-Arabien.

Referencer

[1] B. Liu, Sentiment Analysis: Mining Opinions, Sentiments and Emotions, Cambridge Univ. Press, New York, NY, USA, 1stedition, 2015.

[2] P. Balaji, O. Nagaraju og D. Haritha, "Marts). Niveauer af sentimentanalyse og dens udfordringer: en litteraturgennemgang," i Proceedings of the International Conference on Big DataAnalytics and Computational Intelligence (ICBDAC), s. 436–439, IEEE, Chirala, Indien, marts 2017.

[3] R. Varghese og M. Jayasree, "A survey on sentiment analysis and opinion mining," International Journal of RenewableEnergy Technology, vol. 2, nr. 11, s. 312-317, 2013.

[4] C. Sindhu og DS Chandrakala, "A survey on opinionmining and sentiment polarity classification," InternationalJournal of Emerging Technology and Advanced Engineering, vol. 3, s. 531-539, 2013.

[5] A. Jurek, Mulvenna og Y. Bi, "Forbedret leksikonbaseret sentimentanalyse til analyse af sociale medier," Security Informatics, vol. 4, nr. 1, s. 9, 2015.

[6] S. Zhang, D. Zhang, H. Zhong og G. Wang, "A multiclassification model of sentiment for E-commerce reviews,"IEEE Access, vol. 8, s. 189513-189526, 2020.

[7] J. Devlin, M. Chang, K. Lee og K. Toutanova, "BERT: pretraining of deep bidirectional transformers for languageunderstanding," i Proceedings of the Conference NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, s. 4171 –4186, Minneapolis, Minnesota, juni 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose og S. Tiwari,"Sentimentanalyse af gennemgangsdatasæt ved hjælp af naiv Bayes andk-nn-klassificering," 2016,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali og A. Rahman, "Sentimentanalyse på Twitter-data ved hjælp af KNN og SVM," International Journal ofAdvanced Computer Science and Applications, vol. 8, nr. 6, s. 19-25, 2017.

[10] BS Lakshmi, PS Raj og RR Vikram, "Sentiment analysisusing deep learning technology CNN with KMeans," International Journal of Pure and Applied Mathematics, vol. 114,nr. 11, s. 47-57, 2017.

[11] Y. Fang, H. Tan og J. Zhang, "Multi-strategi sentimentanalyse af forbrugeranmeldelser baseret på semantisk uklarhed," IEEE Access, vol. 6, s. 20625-20631, 2018.

[12] B. Shin, T. Lee og JD Choi, "Leksikon integrerede CNN-modeller med opmærksomhed for sentimentanalyse," 2016,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com