Ефикасен дългосрочен, краткосрочен, базиран на паметта анализ на настроението на прегледите на електронната търговия, част 2

Мухаммад и др. [20] представи модел за анализ на чувствата, като използва word2vec и LSTM за отзиви за хотели.

Мохамед е пророк и основател на исляма. Той е известен като мъдър, мъдър и мъдър човек. Паметта му е много мощна, което го прави много ефективен при обработката на информация и изразяването на мислите му.

Паметта на Мохамед има много общо с неговото образование и опит. Според записите той често е бил потопен в мислене и размисъл в младостта си. Това любопитство и жажда за знания му помогнаха да изгради солидна база от знания и способност за памет.

В допълнение, интелигентността на Мохамед също играе голяма роля в паметта му. Той е умен, остроумен, проницателен и има способност за логическо мислене, което е много полезно при работа със сложна информация. Това предимство му помогна да управлява и контролира по-добре процеса на запаметяване, като по този начин подобри паметта си.

Паметта на Мохамед обаче не е вродена, а е подобрена чрез упорит труд и практика. Той често тренира паметта, като многократно четене, диктовки и реч, за да му помогне да разбере и овладее знанията по-дълбоко.

Паметта на Мохамед не беше просто естествен талант, тя беше подобрена чрез упорит труд и практика. Това показва, че всеки от нас може да подобри паметта си и да подобри ученето и работната си ефективност чрез учене и практика. Нека, като Мохамед, активно да работим усилено, за да подобряваме непрекъснато паметта си, за да постигнем по-големи успехи в живота и работата! Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola може също да регулира баланса на невротрансмитерите, като например повишаване на нивата на ацетилхолин и растежни фактори. Тези вещества са много важни за паметта и ученето. В допълнение, месото може също да подобри притока на кръв и да насърчи доставката на кислород, което може да гарантира, че мозъкът получава достатъчно хранителни вещества и енергия, като по този начин подобрява мозъчната жизненост и издръжливост.

Кликнете върху Know, за да подобрите краткосрочната памет

За това проучване данните бяха събрани чрез обхождане на уебсайта за пътуване с помощта на селен и скрап. +e Основната цел на този експеримент беше да се анализира точността чрез промяна на параметрите на word2vec и LSTM. +e резултатите показаха, че средната точност от 85,96 може да бъде постигната с помощта на параметрите, което показа обещаващи резултати.

Джао и др. [21] въведе нова техника за анализиране на настроенията на клиентите от рецензии на уебсайтове за електронна търговия. +e предложената оптимизирана техника „импровизиран прилеп алгоритъм, базиран на LocalSearch NeuralNetwork Elman (LSIBA-ENN)“ включва четири стъпки и открива полярността и класифицира настроенията на отзивите. +e данни за това изследване бяха събрани чрез използване на инструмента за уеб скрапиране на уебсайтове за електронна търговия за извличане на клиентски отзиви.

В допълнение към предварителната обработка на данните, това проучване използва "LogTerm Frequency-based Modified Inverse Class Frequency (LTF-MICF) и Earth Warm Algorithm (HMEWA), базиран на хибридни мутации", за претегляне на термина и избор на характеристики. Предложената методология +e надмина други базови техники по отношение на точността на прогнозиране.

Jiang [22] предложи модел за класифициране на настроенията на отзиви, получени от платформата за електронна търговия Taobao.+e проучването използва алгоритъма за машинно обучение, както и поддържаща векторна машина за класифициране и подобрена оптимизация на рояк частици (IPSO) за оптимизиране на параметрите. +e данните за проучването бяха събрани чрез обхождане на коментарите от уебсайта. +e експериментални резултати показаха, че комбинираният подход на SVM и IPSO има по-висока точност. По-голямата част от съществуващите модели обаче страдат от пренастройване [23–25], лоша скорост на конвергенция [26–28] и проблеми с изчезващия градиент [29–31].

3. Експериментално изследване

Разделът +is дава ясен преглед на методологията, използвана в проекта за класифициране на настроенията. Техниката +e, която е използвана, е мрежа с дълга краткосрочна памет, която се използва за класифициране на голям брой прегледи на Amazondatabase. Използваното вграждане +e е word2vec, което е обучено по поръчка според базата данни.

Настройката на word2vec според набора от данни подобрява цялостната производителност на модела. + Ползата от използването на LSTM е, че дава по-добри резултати дори за неструктурираните прегледани данни. Способен е да получи полезна функционалност за ресурси, съдържащи дългосрочни зависимости.

+e данните се събират от набора от данни за преглед на Amazon, който след това се обработва предварително. Word2vec вгражданията представляват важна стъпка в предварителната обработка на данните. Бяха създадени данни за обучение и тестове. +e данните за обучение са разделени на набори от данни за обучение и валидиране. +e потребителски word2vec модел се обучава за база данни. Получава се вектор на характеристики +e, който след това се използва като слой за вграждане за LSTM модела.

Keras се използва за изграждане на LSTM последователен модел с максимални характеристики, равни на 50, 000 и размер на вграждане, равен на 16. След това +моделът се обучава за 10 епохи. +e моделът е тестван въз основа на показатели за ефективност на sklearn. + Процесът на получаване на функции е изобразен на фигура 2.

3.1. Набор от данни. За генериране на точни резултати, използваният набор от данни трябва да е голям и обогатен. +e наборът от данни е събран от раздела за мобилни телефони и аксесоари онлайн на набора от данни на Amazon Reviews (2018). +e наборът от данни се състои от общо 938 261 отзива, сред които 47901 са на уникални продукти и 153124 са уникални потребителски отзиви. +e наборът от данни първоначално се състои от 7 колони, а именно рейтинг, който варира от 1 до 5, време за преглед, ID на рецензент, ID на продукт и резюме на текста на прегледа.

След премахване на дубликатите наборът от данни се състои от 938254 записа, а таблица 2 показва фрагмент от записите на оригиналния набор от данни.

3.2. Методика. Ние обучихме нашия word2vecmodel да се използва с LSTM модела за класификация. Word2vec е вграждане на дума, което се използва за представяне на aword чрез колекция от няколко термина на вектор. Не е картографиране на дума във векторно пространство. +e набор от данни се зарежда в рамка с данни на pandas. За разработването на customword2vec модел, първата стъпка е предварителната обработка на данните.

Ние само гледаме оценката и текста на рецензията и оставяме всичко останало. +e текстът се почиства чрез премахване на препинателните знаци. Като подизвадка от текста се създава от близо 200 000 рецензии и методът на чист текст се прилага за преобразуване на всяка рецензия в списък с думи. +is списък с думи сега действа като вход към модела genism word2vec.

Създадохме персонализиран модел word2vecmodel с прескачане на грама и инстанцирахме модела с измерения: размерът на векторите на думата е 100, размерът на прозореца е равен на 15, min_countas 2 за думи, които се появяват по-малко от 2 пъти в нашия корпус, отрицателно, равно на 5, и честота на дискретизация, равна на 1e−5. Използвахме всички тези измерения, за да изградим речник от нашите изречения за преглед.

Ние обучаваме нашия модел word2vec за 1000 епохи. +en ние изчисляваме загубата във всяка епоха. +e загубата е висока в началото и намалява към последната епоха. +e загуба в епоха 0 е 2239394.0, а загубата в епоха 1000 е 11504.0. +e Запазеният модел след това се презарежда и върху него се извършват операции.

Например, ако искаме да намерим думи, подобни на шум в нашия набор от данни, получаваме отмяна и слушалки.

По същия начин можем да намерим приликата между определени думи като слушалки и слушалки, която е {{0}}.48756, а приликата между думите зареждане и зарядно устройство е 0.89264.

За да намалим размерите на нашите данни, използвахме TSNE визуализация, за да начертаем данните в две измерения. Сега тези вектори на думи могат да се използват за допълнителна класификация. +тези вграждания след това се използват като функции за по-нататъшно поточно предаване.

3.2.1. Подготовка на данни за LSTM. Нашият набор от данни се състои от 938254 записа, като повечето от рецензиите имат разпределение на резултата над 3. Първо изчислихме броя на думите за всяка рецензия. +e Средната средна стойност се използва като статистика за намиране на средната продължителност на прегледите. +e средната дължина на прегледа е 44,59, а максималната дължина е 4303.

Създадохме набор от данни, състоящ се от рецензии с 100 думи или по-малко. Рецензиите, чиято дължина е повече от 20, но по-малко от 100, се категоризират като кратки рецензии, а повторните рецензии се категоризират като дълги рецензии. +e броят на кратките рецензии е 411313, а дългите рецензии са 100239. Хиперпараметрите, използвани в модела, са описани в таблица 3.

След това сме определили рейтинга на настроението като положителен, ако рейтингът е по-голям или равен на 3; в противен случай оценката е отрицателна. Обмислихме текста на прегледа и настроението за създаване на набор от данни за влака. +e тестовите данни се състоят от продукти с поне повече от 10 отзива.

След разпространението наборът от данни за обучение се състои от общо 203891 записа, сред които 175910 принадлежат към положителния клас и 27981 към отрицателния клас. Наборът от тестови данни +e се състои от общо 686345 записа, сред които 592118 принадлежат към положителния и 94227 към отрицателния клас.

В това проучване използвахме Keras, за да изградим нашия LSTMмодел, който приема максимум 50 000 характеристики като входни данни към слоя за вграждане. Дългата краткосрочна памет (LSTM) е тип повтаряща се невронна мрежа, която използва вътрешен механизъм, който регулира потока от информация. + Този вътрешен механизъм се състои от порти, които трябва да бъдат обучени, така че да могат точно да филтрират неуместната информация и да запазят полезна информация.

Фигура 3 показва основната архитектура на модела LSTM в предложената от нас методология.

Ht−1 и Xt са входовете към единицата LSTM; Ht−1, обикновено наричана краткосрочна памет, приема изхода от предишните състояния като вход. +e memorycell или дългосрочната памет, Ct −1, помага за пренасянето на подходяща информация през целия процес на последователност. +eLSTM архитектурата съчетава три порти: забравена врата, входна врата и изходна врата. В единицата LSTM, tanh и сигмоидните функции се използват за получаване на тези порти.

След това данните за влак +e бяха разделени на данни за влак и валидиране с еднаква дължина. +e дължината на данните беше изчислена на 101945 и разпределението на класа беше {1: 87955, 0:13990}. За да създадем наборите от данни за тестване и валидиране на влака TensorFlow, трябва да преобразуваме нашите данни за влака в последователности. Подпълнихме ги до максимална дължина от 100, така че всички последователности да са с еднаква дължина. +e етикети за обучение и тестване

For more information:1950477648nn@gmail.com