Ефикасен дългосрочен, краткосрочен, базиран на паметта анализ на настроението на прегледите на електронната търговия, част 1

В днешната модерна епоха електронната търговия напредва чрез процеса на предоставяне на стоки в обсега на всеки. От потребителите дори не се изисква да излизат от комфорта на домовете си, за да купят неща, което я прави много удобна за тях.

С непрекъснатото развитие на съвременните технологии и бързото развитие на електронната търговия животът ни стана по-удобен и ефективен, което до известна степен се отрази и на паметта ни. Въпреки това наистина има връзка между електронната търговия и паметта и връзката е положителна и възходяща.

На първо място, електронната търговия ни предоставя по-удобен метод за пазаруване. Вече не е необходимо да ходим до мола, за да пазаруваме лично. Само с няколко щраквания на мишката нужните ни стоки могат да бъдат доставени при нас чрез експресна доставка. Тази форма на пазаруване премахва притесненията от дългото чакане и тълпите, спестявайки ни време и енергия. С развитието на електронната търговия можем да използваме по-интелигентни технологии за пазаруване, като гласово пазаруване, интелигентни препоръки и т.н. Тези технологии могат да направят нашето пазаруване по-удобно и ефективно.

Второ, електронната търговия също може да ни помогне да управляваме по-добре информацията и данните, което е от полза за нашата памет и работна ефективност. Можем да използваме инструменти като имейл, облачни дискове и онлайн бележки, за да записваме и споделяме важна информация, освобождавайки мозъка си. Тези инструменти ни помагат да организираме и управляваме по-добре информацията, като гарантираме, че мозъкът ни трябва да се съсредоточи само върху най-важните неща. В този случай нашата памет все още е тренирана, защото използваме тези техники и инструменти, за да ни помогнат да запомним информацията, вместо да се опитваме да я запомним.

И накрая, електронната търговия също може да ни помогне да учим и да се развиваме, което е много полезно за нашата памет и интелектуално развитие. Можем да научим нови знания и умения чрез онлайн курсове, електронни книги, онлайн платформи за обучение и други инструменти. Тези инструменти ни позволяват да управляваме и овладяваме по-добре знанията, като същевременно ни помагат да развиваме по-добре професионалния и личния си живот. Този начин на учене може да стимулира нашето мислене и да подобри паметта и креативността ни.

Като цяло наистина има връзка между електронната търговия и паметта, но тя е положителна и възходяща. Можем да използваме електронната търговия, за да подобрим качеството си на живот и ефективността на работа, а също така можем да я използваме, за да подобрим интелигентността и паметта си. Затова трябва активно да използваме тези технологии и инструменти, за да добавим повече положителна енергия към нашия живот и кариерно развитие. 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.

Щракнете върху познайте 10 начина за подобряване на паметта

Освен това има голямо разнообразие от марки, от които да избирате. Тъй като в наши дни повече клиенти зависят от платформите за онлайн пазаруване, стойността на оценките също нараства. За да купуват тези продукти, хората разчитат единствено на отзивите, които се предоставят за продуктите.

За да се анализират тези прегледи, трябва да се извърши анализ на настроението, който може да се окаже полезен както за купувачите, така и за производителя. този документ описва процеса на анализ на настроението и неговите изисквания.

В този документ наборът от данни на Amazon Review 2018 е използван за извършване на нашето изследване и дългосрочната краткосрочна памет (LSTM) е комбинирана с представяне на word2vec, което води до подобряване на цялостната производителност.

По време на процеса на обучение LSTM използва стробиращ механизъм. Предложеният модел LSTM беше оценен по четири показателя за ефективност: точност, прецизност, припомняне и F1score и постигна като цяло по-високи резултати в сравнение с други базови модели.

1. Въведение

Комуникацията играе ключова роля в укрепването на социалните отношения от исторически времена. В днешно време почти всяка част от обществото използва социални медии, тъй като те се превърнаха в неефикасен инструмент за работа в мрежа. Основната част от социалните медии включва сайтове за електронна търговия.

Поради бързото развитие на технологиите за електронна търговия, повечето хора сега избират да купуват онлайн. Хората могат да използват социалните медии, за да предоставят обратна връзка за различни ситуации, елементи и ресурси, които могат да бъдат положителни или отрицателни, въз основа на опита на клиента.

Неблагоприятните коментари играят съществена роля в растежа на компанията, защото помагат за подобряване на услугите. Тук влиза в действие анализът на настроението.

Анализът на настроенията помага при предоставянето на гледна точка на клиента за различни стоки чрез текстова информация и в същото време оценява тези споделени отзиви.

Различни видове изследвания предполагат, че анализът на настроението обикновено се провежда на три нива: изречение, документ и ниво на фраза [1–3]. Етапите, включени в процеса на анализ на настроението, са изобразени на фигура 1.

Изследването предлага използването на LSTM мрежи за класифициране на голям брой прегледи на Amazon. Тази техника за дълбоко обучение е бърза и дава по-добри резултати дори при голям брой прегледи. Изследването използва вграждане на word2vec за ефективна оценка на представяния на думи във векторно пространство.

Word2vec предоставя по-добри резултати от стандартните методи за представяне, като пакет от думи или едночастно кодиране. Това изследване се фокусира главно върху две части: Ефективно картографиране на думите за настроения във векторно пространство чрез модела word2vec и мрежата LSTM за класифициране на рецензиите.

2. Литературен преглед

Разделът +is съдържа цялата важна основна работа по темата за анализ на настроенията, която е от значение за нашето изследване.

Открихме, че повечето от по-ранните работи използват алгоритми за машинно обучение, алгоритми за дълбоко обучение и лексикон на чувствата. В таблица 1 сме обобщили подходите, използвани в изследването, както и предимствата и недостатъците на подходите.

През 2013 г. Синдху и Чандракала [4] наблюдаваха скорошни и ефективни техники, които се използват за изследване на анализа на настроението, включително класификация на полярността на настроението и различни техники за машинно обучение като NaiveBayes, максимална ентропия и поддържаща векторна машина. +esurvey предполага, че класификацията на настроението може да се определи от два атрибута, присвояване на полярността, т.е. определяне дали настроението е положително, отрицателно или неутрално, и присвояване на интензитет, което изобразява колко силно или леко е определено чувство по отношение на полярността.

Юрек и др. [5] представи модел с базиран на лексикон алгоритъм за анализ на настроението, който включва два ключови компонента: базирана на доказателства интеграционна функция и нормализиране на настроението, които измерват емоция, а не положителен/отрицателен етикет и подпомагат диференцирането на различни емоции.

Обществено достъпен Twitter Corpus беше използван като набор от данни за това проучване, като основният фокус на изследването беше анализът на съдържанието на Twitter в реално време.

Джан и др. [6] представиха мултикласификационен подход за извършване на анализ на настроенията върху прегледите на електронната търговия.

Освен това Zhang et al. [6] представи мултикласификационен модел за анализ на настроенията на прегледи за електронна търговия. Наборът от прегледи на +eAmazon (2018) беше използван за предложеното проучване, което се основаваше на насочен претеглен проблем. +предложеното проучване посочва, че чрез извличане на думи на обекти с характеристики, оценка на моделите на настроения и оценка на най-краткия път между възлите, проблемът за сходството на настроенията може да се трансформира в проблем за изчисляване на най-краткия път. В сравнение с модела BERT [7], този модел се представи по-добре по отношение на CPU времето на алгоритъма.

Dey et al. [8] изследва алгоритмите за машинно обучение, K-NN и Naive Bayes, използвайки три показателя за оценка. +eNaive Bayes класификаторът превъзхожда класификатора K-NN в тяхната работа.

Изследователи в [9] представиха модел за класификация на настроенията с две техники. +e първият предложен подход, алгоритъмът за класифициране на настроенията използва K-NN класификатора, а в другия е използван алгоритъмът на поддържащата векторна машина. +e Ефективността на алгоритъма за класификация е валидирана въз основа на реални туитове. +Получените резултати показаха, че алгоритъмът за класифициране на настроенията превъзхожда SVM при експериментално валидиране.

В [10] е представено сравнение на контролирани и неконтролирани методи на обучение. +работата им предостави сравнителен анализ на контролирани (CNN и KNN) и неконтролирани (CNN с K означава групиране) алгоритми за обучение.

Fang и др. [11] въведоха техника за многочувствителен анализ, която до голяма степен включва теория на размитите множества, теория на машинното обучение и метод, базиран на лексикона на полярността. След това прегледите на потребителите бяха анализирани с помощта на този хибриден модел.

За това изследване са използвани Naive Bayes и SVM алгоритми. +e подобреният SVM модел, т.е. хибриден метод, който съчетава мултистратегичен анализ на настроенията със SVM, беше много по-успешен и даде точност от 86.35%.

Освен това беше наблюдавано увеличение на точността с 3,8% при внедряването на надградения Naive Bayes. В допълнение, изследователи в [12] представиха начин за включване на лексикални вграждания и механизъм за внимание в CNN. +edataset е създаден с помощта на туитове. +e методът беше оценен с помощта на резултат F1. +e работа, която беше предложена, изпълнена по-добре от настоящите.

Система за препоръки (RDSA), базирана на рекурсивна невронна мрежа (RNN), беше въведена от Preethi et al [13].

Дълбокото обучение беше използвано за оптимизиране на предложения, съсредоточени върху анализ на настроенията, и беше направено на три отделни прегледа в това проучване.

Първо, наборите от данни бяха изследвани и техните статистически аспекти бяха наблюдавани преди внедряването на Naive Bayes класификатора и RNN. +Резултатите от опитите показват, че използването на RNN, дълбока невронна мрежа, повишава точността на анализа на настроенията, което води до по-фини предложения за потребителите и подпомага избора на конкретна позиция в зависимост от изискванията на потребителите.

Освен това изследователите в [14] предложиха използването на базиран на Giniindex избор на характеристики и SVM класификатор за категоризиране на данни. +e набор от данни за това проучване беше голяма колекция от рецензии на филми.

Въз основа на резултатите от експериментите, предложеният метод беше определен като по-малко точен от другите методи. Затворен RNN с връзки между мненията беше въведен от Chen et al. [15]. +isapproach имаше точност от около 92,6%.

За класификация в [16] беше предложена двупосочна затворена повтаряща се единица (BiGRU), съчетана с механизъм за внимание. Установено е, че подходът +is е ефективен за класификационни задачи и генерира по-добри резултати от предишните използвани методи, с 93,1% точност. Модел за заместващ анализ на настроението, който включва CNN и базирания на вниманието BiGRU, беше предложен от изследователи в [17].

Чрез интегриране на предимствата на лексикона на настроението с технологията за задълбочено обучение, компенсира недостатъците в традиционния модел за анализ на настроението за прегледи на продукти. +e sentimentlexicon поддържа атрибутите на настроението, открити в рецензиите, а CNN, използван във връзка с мрежата на затворената повтаряща се единица, извлича значими характеристики на настроението и контекстни елементи. Предложеният модел +e даде 93,5% точност в експерименталния анализ, което се оказа по-високо от моделите NB, SVM и CNN. Хюн и др. [18] предложи конволюционен модел на невронна мрежа, базиран на зависимост от целта. +e Препоръчителният метод помага да се оцени въздействието на околните думи върху целевата дума чрез изчисляване на разстоянието между целевата дума и околните думи. +Проучването им установи, че всеки термин в изречение има различен ефект върху емоционалната полярност на изявлението.
Хибриден модел на дълбоко обучение, който систематично интегрира множество подходи за вграждане на думи (Word2vec, FastText и вграждане на ниво знаци) и няколко метода на дълбоко обучение (LSTM, GRU, BiLSTM и CNN) беше предложен от изследователи в [19]. +e предложеният модел получава характеристики, като ги извлича чрез използване на различни методи за вграждане на думи, обединява ги и класифицира текста като чувство.

За да се потвърди представянето на предложения модел, бяха изградени множество модели за дълбоко обучение, известни като стандартни модели, които бяха използвани за провеждане на серия от експерименти. Когато се сравнява ефективността на предложения модел с тази от по-ранни изследвания, новият модел превъзхожда базовите модели, според резултатите от това проучване.

For more information:1950477648nn@gmail.com