Ефикасен дългосрочен, краткосрочен, базиран на паметта анализ на настроението на прегледите на електронната търговия, част 3

4. Резултати

Ние обучихме нашия модел за около 10 епохи и изчислихме загубата на обучение и валидиране, както и точността на обучение и валидиране.

Загубата може да изглежда като неизбежно събитие в живота ни, но нейното въздействие върху нашето психично здраве и памет може да бъде дълбоко.

Първо, когато преживеем загуба, е лесно да бъдем увлечени от негативни емоции. Това може да включва тъга, гняв, безпокойство и др. Тези емоции могат да повлияят на психичното ни здраве, карайки ни да се чувстваме изтощени, безсилни и разочаровани. В същото време тези негативни емоции могат да повлияят и на паметта ни, като ни затрудняват да се концентрираме и паметта ни се замъглява.

Щракнете върху познайте добавките за подобряване на паметта

Въпреки това, дори когато преживеем загуба, все още можем да поддържаме положително отношение и оптимистична перспектива, което ни помага да преодолеем въздействието на негативните емоции върху нашето психично здраве и памет. Това включва прекарване на време с приятели и семейство, споделяне на чувства, поддържане на здравословна диета и начин на живот, участие във физически упражнения и посещаване на психотерапия, наред с други неща.

Освен това можем да предприемем проактивни стъпки, за да си помогнем да запазим добрите спомени по време на процеса на загуба. Това включва да си дадете малко време да приемете и да се адаптирате към нови ситуации, както и да изпробвате нови техники и стратегии за запаметяване, като изграждане на асоциации за паметта, повтаряне на упражнения, използване на памети и др.

Като цяло загубата оказва влияние върху нашето психично здраве и памет, но можем да предприемем проактивни стъпки, за да преодолеем тези ефекти. Ако успеем да запазим положителна нагласа и да си дадем известно време, за да се приспособим към новите ситуации, може да успеем по-лесно да възвърнем психическото си здраве и памет и отново да продължим към по-добър живот. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Можем да видим от фигура 4, че както загубата на обучение, така и загубата на валидиране намалява по време на обучението на модела. Фигура 5 показва, че точността на обучението и валидирането се увеличава впоследствие за 10 епохи.

Тъй като след прогнозиране крайният резултат, който получаваме, е вероятност, ние прилагаме определен праг, за да определим дали данните принадлежат към положителния или отрицателния клас. За тази цел използвахме ROC кривата, която изобразява истинските положителни и отрицателни нива.

Той помага да се намерят праговите стойности за двоичен класификатор. От нашите ROC криви, показани на фигура 6, избрахме 0.78 като наш праг.

+e запазеният модел се презарежда и прогнозите са генерирани върху данните от теста, като се има предвид горепосочената прагова стойност. Сега имаме първоначалното настроение, както и прогнозираното настроение.

Тъй като наборът от данни е небалансиран, по-добрият параметър за тестване на модела би бил резултатът F1, а не точността.

В таблица 4 събрахме точността, прецизността, припомнянето и F1 резултатите на други базови модели и ги сравнихме с нашия модел. Базовите модели +e бяха взети под внимание от литературата, която прегледахме за този експеримент.

5. Заключение+е документ, който обсъжда анализа на настроенията в контекста на прегледите на електронната търговия. Има различни техники, изследвани по-рано в областта на извличането на мнения от прегледи.

Нашата база данни се състои от отзиви от секцията за мобилни телефони и аксесоари на Amazon. Мрежите за дълга краткосрочна памет бяха използвани за класифициране на настроенията чрез задълбочено обучение. Нашият персонализиран набор от данни за обучение беше използван за извличане на функциите, вградени в техниката за вграждане word2vec. Въз основа на ROC кривата установихме, че 0.78 е крайният праг, който трябва да използваме, за да класифицираме настроенията.

Бяха използвани четири параметъра за оценка на производителността на нашия модел: точност, прецизност, припомняне и F1 резултат. Установено е, че точността от 97% е най-високият от четирите параметъра.

Тъй като наборът от данни е небалансиран, ние считаме F1score за най-добрата мярка за ефективността на модела, което дава оценка от 93%. Основният опит на това изследване беше да се тества функционалността на модела с голямо количество данни. +is методът осигурява добри резултати дори за такива големи данни от около 938 261 отзива. +e Основното предимство на използването на този метод е, че LSTM взема под внимание дългосрочната памет и word2vec ефективната оценка на представянето на думи, което помага за ефективния анализ на чувствата.

За бъдеща работа бихме искали да обмислим използването на двупосочен LSTM за класификация на настроенията, който обучава две направления на LSTM, действителната входна последователност и обратната. + може да помогне за подобряване на производителността на модела.

Наличност на данни

+e данните, използвани в подкрепа на констатациите от това проучване, са достъпни от съответния автор при поискване.

Конфликт на интереси

+e авторите декларират, че нямат конфликт на интереси.

Благодарности

Изследването на +is е финансирано от изследователите на университета на принцеса Нура бинт Абдулрахман, подкрепящи номер на проекта (PNURSP2022R120), Университет на принцеса Нура бинт Абдулрахман, Рияд, Саудитска Арабия.

Препратки

[1] B. Liu, Анализ на настроенията: Мнения, настроения и емоции при копаене, Cambridge Univ. Преса, Ню Йорк, Ню Йорк, САЩ, 1stedition, 2015 г.

[2] П. Баладжи, О. Нагараджу и Д. Харита, „Март". Нива на анализ на настроението и неговите предизвикателства: преглед на литературата," в Доклади на Международната конференция за анализ на големи данни и изчислителна интелигентност (ICBDAC), стр. 436–439, IEEE, Chirala, Индия, март 2017 г.

[3] R. Varghese и M. Jayasree, „Проучване за анализ на настроенията и извличане на мнения“, International Journal of RenewableEnergy Technology, vol. 2, бр. 11, стр. 312–317, 2013 г.

[4] C. Sindhu и DS Chandrakala, „Проучване за извличане на мнения и класификация на полярността на настроенията“, International Journal of Emerging Technology and Advanced Engineering, vol. 3, стр. 531–539, 2013 г.

[5] A. Jurek, Mulvenna и Y. Bi, „Подобрен анализ на настроението, базиран на лексикон за анализ на социалните медии“, Security Informatics, vol. 4, бр. 1, стр. 9, 2015 г.

[6] S. Zhang, D. Zhang, H. Zhong и G. Wang, „Мултикласификационен модел на настроения за прегледи на електронната търговия“, IEEE Access, vol. 8, стр. 189513–189526, 2020 г.

[7] J. Devlin, M. Chang, K. Lee и K. Toutanova, „BERT: предварително обучение на дълбоки двупосочни трансформатори за езиково разбиране,“ в Доклади на конференцията NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, стр. 4171 –4186, Минеаполис, Минесота, юни 2019 г.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose и S. Tiwari, „Анализ на настроението на набори от данни за преглед, използвайки наивен Bayes и k-nn класификатор,“ 2016 г.,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali и A. Rahman, „Анализ на настроението върху данни от Twitter с помощта на KNN и SVM,“ Международен журнал за напреднали компютърни науки и приложения, том. 8, бр. 6, стр. 19–25, 2017 г.

[10] Б. С. Лакшми, П. С. Радж и Р. Р. Викрам, „Анализ на настроението, използващ техника за задълбочено обучение CNN с KMeans,“ Международен журнал за чиста и приложна математика, том. 114, бр. 11, стр. 47–57, 2017.

[11] Y. Fang, H. Tan и J. Zhang, „Многостратегически сентиментален анализ на потребителски прегледи, базиран на семантична неяснота“, IEEE Access, том. 6, стр. 20625–20631, 2018 г.

[12] Б. Шин, Т. Лий и Дж. Д. Чой, „Lexicon интегрирани модели на CNN с внимание към анализа на настроенията“, 2016 г.,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com