Effektiv langtidshukommelsesbaseret sentimentanalyse af e-handelsanmeldelser, del 1

I nutidens moderne æra gør e-handel fremskridt gennem processen med at bringe varer inden for alles greb. Forbrugerne er ikke engang forpligtet til at træde ud af komforten i deres hjem for at købe ting, hvilket gør det meget bekvemt for dem.

Med den fortsatte udvikling af moderne teknologi og den hurtige udvikling af e-handel er vores liv blevet mere bekvemt og effektivt, hvilket også har påvirket vores hukommelse til en vis grad. Men der er faktisk en sammenhæng mellem e-handel og hukommelse, og forholdet er positivt og opadgående.

Først og fremmest giver e-handel os en mere bekvem shoppingmetode. Vi behøver ikke længere at gå til indkøbscenteret for at handle personligt. Med blot et par klik med musen kan de varer, vi skal bruge, leveres til os ved ekspreslevering. Denne form for shopping eliminerer bekymringerne for lange ventetider og menneskemængder, hvilket sparer os tid og energi. Med udviklingen af ​​e-handel kan vi bruge mere intelligente teknologier til at shoppe, såsom voice shopping, intelligente anbefalinger osv. Disse teknologier kan gøre vores shopping mere bekvemt og effektivt.

For det andet kan e-handel også hjælpe os med at styre information og data bedre, hvilket er gavnligt for vores hukommelse og arbejdseffektivitet. Vi kan bruge værktøjer som e-mail, skydiske og onlinenoter til at optage og dele vigtig information, hvilket frigør vores hjerner. Disse værktøjer hjælper os med bedre at organisere og administrere information og sikre, at vores hjerner kun behøver at fokusere på de vigtigste ting. I dette tilfælde er vores hukommelse stadig trænet, fordi vi bruger disse teknikker og værktøjer til at hjælpe os med at huske informationen i stedet for at forsøge at huske den.

Endelig kan e-handel også hjælpe os med at lære og udvikle os, hvilket er meget gavnligt for vores hukommelse og intellektuelle udvikling. Vi kan lære ny viden og færdigheder gennem onlinekurser, e-bøger, online læringsplatforme og andre værktøjer. Disse værktøjer giver os mulighed for bedre at styre og mestre viden, samtidig med at de hjælper os med at udvikle vores professionelle og personlige liv bedre. Denne måde at lære på kan stimulere vores tænkning og forbedre vores hukommelse og kreativitet.

Overordnet set er der faktisk et forhold mellem e-handel og hukommelse, men det er positivt og opadgående. Vi kan bruge e-handel til at forbedre vores livskvalitet og arbejdseffektivitet, og vi kan også bruge det til at forbedre vores intelligens og hukommelse. Derfor bør vi aktivt bruge disse teknologier og værktøjer til at tilføje mere positiv energi til vores liv og karriereudvikling. 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.

Klik på kend 10 måder at forbedre hukommelsen på

Derudover er der en lang række mærker at vælge imellem. Da flere kunder er afhængige af online shopping platforme i disse dage, vokser værdien af ​​vurderinger også. For at købe disse produkter stoler folk udelukkende på de anmeldelser, der gives om produkterne.

For at analysere disse anmeldelser skal der udføres sentimentanalyse, hvilket kan vise sig nyttigt for både købere og producent. er papir beskriver processen med sentimentanalyse og dens krav.

I dette papir er Amazon Reviewdataset 2018 blevet brugt til at udføre vores forskning, og Long Short-Term Memory (LSTM) er blevet kombineret med word2vec-repræsentation, hvilket resulterer i en forbedring af den samlede ydeevne.

En portmekanisme blev brugt af LSTM under træningsprocessen. Den foreslåede LSTM-model blev evalueret på fire præstationsmål: nøjagtighed, præcision, genkaldelse og F1score, og opnåede generelt højere resultater sammenlignet med andre basismodeller.

1. Introduktion

Kommunikation har spillet en nøglerolle i at styrke sociale relationer siden historisk tid. I dag bruger næsten alle dele af samfundet sociale medier, da det har udviklet sig til et effektivt netværksværktøj. Hoveddelen af ​​sociale medier omfatter e-handelswebsteder.

På grund af den hurtige udvikling af e-handelsteknologier vælger de fleste mennesker nu at købe online. Folk kan bruge sociale medier til at give feedback på forskellige situationer, varer og ressourcer, som kan være positive eller negative, baseret på kundens oplevelse.

Ugunstige kommentarer spiller en væsentlig rolle i virksomhedens vækst, fordi de hjælper med at forbedre tjenesterne. Her kommer følelsesanalysen ind i billedet.

Følelsesanalyse hjælper med at give en kundes synspunkter på forskellige varer væk via tekstinformation og samtidig vurdere disse delte anmeldelser.

Forskellige typer forskning tyder på, at sentimentanalyse generelt udføres på tre niveauer: sætnings-, dokument- og sætningsniveau [1-3]. Undertrin involveret i processen med sentimentanalyse er afbildet i figur 1.

Er forskning foreslår brugen af ​​LSTM netværk til at klassificere et stort antal Amazon anmeldelser. er deeplearning-teknikken er hurtig og giver bedre resultater selv for et stort antal anmeldelser. Studiet bruger word2vec-indlejring til effektiv estimering af ordrepræsentationer i vektorrum.

Word2vec giver bedre resultater end standard repræsentationsmetoder såsom pose ord eller en-delt kodning. Undersøgelsen fokuserer hovedsageligt på to dele: Effektiv kortlægning af sentimentord i vektorrum gennem word2vec-modellen og LSTM-netværket for at klassificere anmeldelser.

2. Litteraturundersøgelse

+is sektionen indeholder alt vigtigt baggrundsarbejde om emnet sentimentanalyse, der er relevant for vores forskning.

Vi opdagede, at de fleste af de tidligere værker brugte maskinlæringsalgoritmer, deep learning-algoritmer og sentimentleksikon. I tabel 1 har vi opsummeret de tilgange, der er brugt i forskningen, og fordelene og ulemperne ved tilgangene.

I år 2013 observerede Sindhu og Chandrakala [4] nylige og effektive teknikker, der bruges til at studere sentimentanalyse, herunder sentimentpolaritetsklassificering og forskellige maskinlæringsteknikker såsom NaiveBayes, Maximum Entropy og understøtte vektormaskine. +undersøgelse antyder, at sentimentklassificering kan bestemmes af to attributter, polaritetstildeling, dvs. at bestemme, om stemningen er positiv, negativ eller neutral, og intensitetstildeling, som viser, hvor stærk eller mild separat stemning er i forhold til polaritet.

Jurek et al. [5] præsenterede en model med en leksikonbaseret sentimentanalysealgoritme, der inkluderede to nøglekomponenter: evidensbaseret integrationsfunktion og sentimentnormalisering, der målte følelser snarere end en positiv/negativ etiket og hjalp med differentieringen af ​​forskellige følelser.

Et offentligt tilgængeligt Twitter-korpus blev brugt som et datasæt for denne undersøgelse, hvor hovedfokus for undersøgelsen var real-time Twitter-indholdsanalyse.

Zhang et al. [6] præsenterede en multiklassificeringstilgang til at udføre sentimentanalyse på e-handelsanmeldelser.

Yderligere beskriver Zhang et al. [6] præsenterede en multiklassifikationsmodel til sentimentanalyse af e-handelsanmeldelser. +eAmazon review-datasæt (2018) blev brugt til den foreslåede undersøgelse, som var baseret på et rettet vægtet problem. +foreslået undersøgelse udtalte, at ved udtrækning af entitetsord med funktioner, vurdering af følelsesmønstre og evaluering af den korteste vej mellem noder, kunne problemet med følelseslighed transformeres til et problem med beregning af den korteste vej. Sammenlignet med BERT-modellen [7] klarede denne model sig bedre med hensyn til algoritmens CPU-tid.

Dey et al. [8] undersøgte maskinlæringsalgoritmerne, K-NN og Naive Bayes, ved hjælp af tre evalueringsmetrikker. +eNaive Bayes-klassifikator overgik K-NN-klassifikatoren i deres arbejde.

Forskere i [9] præsenterede en følelsesklassifikationsmodel med to teknikker. +Den første foreslåede tilgang brugte sentimentklassifikationsalgoritmen K-NN-klassifikatoren, og i den anden blev støttevektormaskinalgoritmen brugt. +e effektiviteten af ​​klassifikationsalgoritmen blev valideret baseret på rigtige tweets. + opnåede resultater viste, at sentimentklassifikationsalgoritmen overgik SVM på eksperimentel validering.

I [10] blev en sammenligning af superviserede og uovervågede læringsmetoder præsenteret. + deres arbejde gav en komparativ analyse af overvågede (CNN og KNN) og ikke-overvågede (CNN med K betyder klyngedannelse) læringsalgoritmer.

Fang et al. [11] introducerede en multisentiment-analyseteknik, der i høj grad inkorporerer fuzzy set-teori, maskinlæringsteori og en polaritetsleksikon-baseret metode. Forbrugeranmeldelser blev derefter analyseret ved hjælp af denne hybridmodel.

Naive Bayes og SVM algoritmer blev brugt til denne undersøgelse. +e forbedret SVM-model, dvs. en hybridmetode, der kombinerer multistrategi-sentimentanalyse med SVM, var meget mere vellykket og gav en nøjagtighed på 86,35 %.

Derudover blev der observeret en stigning på 3,8 % i nøjagtighed under implementering af de opgraderede Naive Bayes. Derudover præsenterede forskere i [12] en måde at inkorporere leksikalske indlejringer og en opmærksomhedsmekanisme i CNN. +edataset blev oprettet ved hjælp af tweets. +e-metoden blev evalueret ved hjælp af F1-score. +e værker, der blev foreslået, udførte bedre end de nuværende.

Et rekursivt neuralt netværk (RNN) baseret anbefalingssystem (RDSA) blev introduceret af Preethi et al.[13].

Dyb læring blev brugt til at optimere forslag centreret om sentimentanalyse og blev udført på tre separate anmeldelser i denne undersøgelse.

For det første blev datasæt undersøgt, og deres statistiske aspekter blev observeret før implementering af Naive Bayes-klassifikatoren og RNN. +resultater af forsøgene viste, at brug af RNN, et dybt neuralt netværk, øgede nøjagtigheden af ​​sentimentanalyse, hvilket førte til finere forslag til brugere og hjalp med at vælge en separat position afhængigt af brugernes krav.

Desuden foreslog forskere i [14] at bruge et Giniindex-baseret funktionsvalg og en SVM-klassifikator til at kategorisere data. +e datasæt til denne undersøgelse var en stor samling af filmanmeldelser.

Baseret på resultaterne af forsøgene blev den foreslåede metode bestemt til at være mindre nøjagtig end andre metoder. En gated RNN med inter-opinion forbindelser blev introduceret af Chen et al. [15]. +isapproach havde en nøjagtighed på omkring 92,6%.

Til klassificering blev en bidirektional gated recurrent unit (BiGRU) parret med en opmærksomhedsmekanisme foreslået i [16]. +is-tilgangen viste sig at være effektiv til klassificeringsopgaver og genererede bedre resultater end tidligere anvendte metoder med en nøjagtighed på 93,1 %. En erstatningssentimentanalysemodel, der inkorporerer CNN og den opmærksomhedsbaserede BiGRU, blev foreslået af forskere i [17].

Ved at integrere fordelene ved sentiment-leksikon med deep learning-teknologi kompenserer der for fejl i den traditionelle sentimentanalysemodel til produktanmeldelser. +e sentimentlexicon understøtter de følelsesegenskaber, der findes i anmeldelserne, og CNN, der bruges i forbindelse med det gated tilbagevendende enhedsnetværk, udtrækker væsentlige sentimentegenskaber og kontekstelementer. +e foreslåede model gav 93,5% nøjagtighed i den eksperimentelle analyse, som viste sig at være højere end NB-, SVM- og CNN-modellerne. Hyun et al. [18]foreslog en konvolutionel neural netværksmodel baseret på målafhængighed. +e anbefalede metode hjælper med at vurdere virkningen af ​​de omgivende ord på målordet ved at beregne afstanden mellem målordet og de omgivende ord. Deres undersøgelse viste, at hvert led i en sætning havde en varieret effekt på udsagnets følelsesmæssige polaritet.
En hybrid dyb læringsmodel, der systematisk integrerer flere ordindlejringstilgange (Word2vec, FastText og indlejring på tegnniveau) og adskillige dybdelæringsmetoder (LSTM, GRU, BiLSTM og CNN) blev foreslået af forskere i [19]. +Den foreslåede model opnår funktioner ved at udtrække dem ved at bruge forskellige ordindlejringsmetoder, flette dem og klassificere tekst som procent.

For at validere den foreslåede models ydeevne blev adskillige deep learning-modeller kendt som standardmodeller bygget og brugt til at køre en række eksperimenter. Når man sammenligner ydeevnen af ​​den foreslåede model med tidligere forskning, overgår den nye model basislinjemodellerne ifølge resultaterne af denne undersøgelse.

For more information:1950477648nn@gmail.com