Effektiv langtidskorttidsminnebasert sentimentanalyse av e-handelsanmeldelser del 1

I dagens moderne tid gjør e-handel fremskritt gjennom prosessen med å bringe varer innenfor alles grep. Forbrukere er ikke engang pålagt å gå ut av hjemmets komfort for å kjøpe ting, noe som gjør det veldig praktisk for dem.

Med den kontinuerlige utviklingen av moderne teknologi og den raske utviklingen av e-handel, har livene våre blitt mer praktiske og effektive, noe som også har påvirket hukommelsen vår til en viss grad. Imidlertid er det faktisk et forhold mellom e-handel og minne, og forholdet er positivt og oppover.

Først av alt gir e-handel oss en mer praktisk handlemetode. Vi trenger ikke lenger å gå til kjøpesenteret for å handle personlig. Med bare noen få museklikk kan varene vi trenger leveres til oss med ekspresslevering. Denne formen for shopping eliminerer bekymringene for lange ventetider og folkemengder, og sparer oss for tid og energi. Med utviklingen av e-handel kan vi bruke mer intelligente teknologier for å handle, som stemmeshopping, intelligente anbefalinger osv. Disse teknologiene kan gjøre shoppingen vår mer praktisk og effektiv.

For det andre kan e-handel også hjelpe oss med å administrere informasjon og data bedre, noe som er gunstig for hukommelsen og arbeidseffektiviteten vår. Vi kan bruke verktøy som e-post, skydisker og elektroniske notater til å registrere og dele viktig informasjon, og frigjøre hjernen vår. Disse verktøyene hjelper oss med å organisere og administrere informasjon bedre, og sikrer at hjernen vår bare trenger å fokusere på de viktigste tingene. I dette tilfellet trenes hukommelsen vår fortsatt fordi vi bruker disse teknikkene og verktøyene for å hjelpe oss å huske informasjonen i stedet for å prøve å huske den.

Endelig kan e-handel også hjelpe oss med å lære og utvikle oss, noe som er veldig gunstig for vår hukommelse og intellektuelle utvikling. Vi kan lære ny kunnskap og ferdigheter gjennom nettkurs, e-bøker, nettbaserte læringsplattformer og andre verktøy. Disse verktøyene lar oss bedre administrere og mestre kunnskap, samtidig som de hjelper oss å bedre utvikle våre profesjonelle og personlige liv. Denne måten å lære på kan stimulere vår tenkning og forbedre hukommelsen og kreativiteten vår.

Totalt sett er det faktisk et forhold mellom e-handel og minne, men det er positivt og oppover. Vi kan bruke e-handel til å forbedre vår livskvalitet og arbeidseffektivitet, og vi kan også bruke den til å forbedre intelligensen og hukommelsen vår. Derfor bør vi aktivt bruke disse teknologiene og verktøyene for å tilføre mer positiv energi til våre liv og karriereutvikling. Det kan sees at vi trenger å forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen betydelig fordi Cistanche deserticola er et tradisjonelt kinesisk medisinsk materiale som har mange unike effekter, hvorav en er å forbedre hukommelsen. Effekten av kjøttdeig kommer fra de ulike aktive ingrediensene den inneholder, inkludert syre, polysakkarider, flavonoider osv. Disse ingrediensene kan fremme hjernens helse på ulike måter.

Klikk vet 10 måter å forbedre hukommelsen

Dessuten er det et bredt utvalg av merker å velge mellom. Siden flere kunder er avhengige av netthandelsplattformer i disse dager, øker også verdien av rangeringer. For å kjøpe disse produktene, stoler folk utelukkende på anmeldelsene som blir gitt om produktene.

For å analysere disse vurderingene, må sentimentanalyse utføres, noe som kan vise seg nyttig for både kjøpere og produsenten. er papiret beskriver prosessen med sentimentanalyse og dens krav.

I denne artikkelen har Amazon Reviewdataset 2018 blitt brukt til å utføre vår forskning, og Long Short-Term Memory (LSTM) har blitt kombinert med word2vec-representasjon, noe som har resultert i å forbedre den generelle ytelsen.

En portmekanisme ble brukt av LSTM under treningsprosessen. Den foreslåtte LSTM-modellen ble evaluert på fire ytelsesmål: nøyaktighet, presisjon, tilbakekalling og F1score, og oppnådde totalt sett høyere resultater sammenlignet med andre grunnlinjemodeller.

1. Introduksjon

Kommunikasjon har spilt en nøkkelrolle i å øke sosiale relasjoner siden historisk tid. I dag bruker nesten alle deler av samfunnet sosiale medier ettersom de har utviklet seg til et effektivt nettverksverktøy. Hoveddelen av sosiale medier omfatter e-handelssider.

På grunn av den raske utviklingen av e-handelsteknologier, velger de fleste nå å kjøpe online. Folk kan bruke sosiale medier til å gi tilbakemelding på ulike situasjoner, gjenstander og ressurser, som kan være positive eller negative, basert på kundens opplevelse.

Ugunstige kommentarer spiller en viktig rolle i selskapets vekst fordi de bidrar til å forbedre tjenestene. Her kommer sentimentanalyse inn.

Sentimentanalyse hjelper til med å gi bort en kundes synspunkt på forskjellige varer via tekstinformasjon og samtidig vurdere disse vurderingene som deles.

Ulike typer forskning tyder på at sentimentanalyse vanligvis utføres på tre nivåer: setnings-, dokument- og frasenivå [1–3]. Undertrinn involvert i prosessen med sentimentanalyse er avbildet i figur 1.

Er forskning foreslår bruk av LSTM-nettverk for å klassifisere et stort antall Amazon-anmeldelser. er dyplæringsteknikken er rask og gir bedre resultater selv for et stort antall anmeldelser. Studien bruker word2vec-innbygging for effektiv estimering av ordrepresentasjoner i vektorrom.

Word2vec gir bedre resultater enn standard representasjonsmetoder som pose med ord eller en-delt koding. Studien fokuserer hovedsakelig på to deler: Effektiv kartlegging av sentimentord til vektorrom gjennom word2vec-modellen og LSTM-nettverket for å klassifisere anmeldelser.

2. Litteraturundersøkelse

+is-delen inneholder alt viktig bakgrunnsarbeid om emnet sentimentanalyse som er relevant for vår forskning.

Vi oppdaget at de fleste av de tidligere arbeidene brukte maskinlæringsalgoritmer, dyplæringsalgoritmer og sentimentleksikon. I tabell 1 har vi oppsummert tilnærmingene som ble brukt i forskningen og fordelene og ulempene ved tilnærmingene.

I år 2013 observerte Sindhu og Chandrakala [4] nylige og effektive teknikker som brukes til å studere sentimentanalyse, inkludert sentimentpolaritetsklassifisering og forskjellige maskinlæringsteknikker som NaiveBayes, Maximum Entropy og støtte vektormaskin. +undersøkelse antyder at sentimentklassifisering kan bestemmes av to attributter, polaritetstilordning, dvs. å bestemme om sentimentet er positivt, negativt eller nøytralt, og intensitetstildeling, som viser hvor sterk eller mild separatikulær sentiment er når det gjelder polaritet.

Jurek et al. [5] presenterte en modell med en leksikonbasert sentimentanalysealgoritme som inkluderte to nøkkelkomponenter: evidensbasert integreringsfunksjon og sentimentnormalisering som målte følelser i stedet for en positiv/negativ merkelapp og hjalp til med å skille ulike følelser.

Et offentlig tilgjengelig Twitter Corpus ble brukt som et datasett for denne studien, og hovedfokuset for studien var sanntids Twitter-innholdsanalyse.

Zhang et al. [6] presenterte en multiklassifiseringstilnærming for å utføre sentimentanalyse på e-handelsanmeldelser.

Videre, Zhang et al. [6] presenterte en multiklassifiseringsmodell for sentimentanalyse av e-handelsanmeldelser. +eAmazon review datasett (2018) ble brukt for den foreslåtte studien, som var basert på et rettet vektet problem. +foreslått studie uttalte at ved ekstraksjon av entitetsord med funksjoner, vurdering av sentimentmønstre og evaluering av den korteste veien mellom noder, kan problemet med sentimentlikhet transformeres til et problem med beregning av korteste vei. Sammenlignet med BERT-modellen [7], presterte denne modellen bedre når det gjelder algoritmens CPU-tid.

Dey et al. [8] undersøkte maskinlæringsalgoritmene, K-NN og Naive Bayes, ved å bruke tre evalueringsmålinger. +eNaive Bayes-klassifisereren overgikk K-NN-klassifisereren i arbeidet deres.

Forskere i [9] presenterte en sentimentklassifiseringsmodell med to teknikker. +Den første foreslåtte tilnærmingen brukte sentimentklassifiseringsalgoritmen K-NN-klassifikatoren og i den andre ble støttevektormaskinalgoritmen brukt. +e effektiviteten til klassifiseringsalgoritmen ble validert basert på ekte tweets. + oppnådde resultater viste at sentimentklassifiseringsalgoritmen overgikk SVM på eksperimentell validering.

I [10] ble en sammenligning av veiledet og uovervåket læringsmetoder presentert. +arbeidet deres ga en komparativ analyse av overvåket (CNN og KNN) og ikke-overvåket (CNN med K betyr klynging) læringsalgoritmer.

Fang et al. [11] introduserte en multisentimentanalyseteknikk som i stor grad inkluderer fuzzy set-teori, maskinlæringsteori og en polaritetsleksikonbasert metode. Forbrukeranmeldelser ble deretter analysert ved hjelp av denne hybridmodellen.

Naive Bayes- og SVM-algoritmer ble brukt til denne studien. +e forbedret SVM-modell, dvs. en hybridmetode som kombinerer multistrategi-sentimentanalyse med SVM, var mye mer vellykket og ga en nøyaktighet på 86.35 %.

I tillegg ble det observert en 3,8 % økning i nøyaktighet under implementeringen av de oppgraderte Naive Bayes. I tillegg presenterte forskere i [12] en måte å inkorporere leksikale innbygginger og en oppmerksomhetsmekanisme i CNN. +edataset ble opprettet ved hjelp av tweets. +e-metoden ble evaluert ved hjelp av F1-poengsummen. +e arbeidet som ble foreslått utførte bedre enn de nåværende.

Et rekursivt nevralt nettverk (RNN) basert anbefalingssystem (RDSA) ble introdusert av Preethi et al.[13].

Dyplæring ble brukt for å optimalisere forslag sentrert om sentimentanalyse og ble gjort på tre separate gjennomganger i denne studien.

Først ble datasett undersøkt og deres statistiske aspekter ble observert før implementering av Naive Bayes-klassifikatoren og RNN. +resultatene av forsøkene viste at bruk av RNN, et dypt nevralt nettverk, økte nøyaktigheten av sentimentanalyse, noe som førte til finere forslag til brukere og hjalp til med valg av separat posisjon avhengig av brukernes behov.

Videre foreslo forskere i [14] å bruke et Giniindex-basert funksjonsvalg og en SVM-klassifisering for å kategorisere data. +e datasettet for denne studien var en stor samling filmanmeldelser.

Basert på funnene fra eksperimentene ble den foreslåtte metoden bestemt til å være mindre nøyaktig enn andre metoder. En gated RNN med inter-opinion forbindelser ble introdusert av Chen et al. [15]. +isapproach hadde en nøyaktighet på ca 92,6 %.

For klassifisering ble en toveis gated tilbakevendende enhet (BiGRU) sammenkoblet med en oppmerksomhetsmekanisme foreslått i [16]. +is-tilnærmingen ble funnet å være effektiv for klassifiseringsoppgaver og genererte bedre resultater enn tidligere brukte metoder, med en nøyaktighet på 93,1 %. En erstatningssentimentanalysemodell som inkluderer CNN og den oppmerksomhetsbaserte BiGRU ble foreslått av forskere i [17].

Ved å integrere fordelene med sentimentleksikon med dyplæringsteknologi, kompenserer for feilene i den tradisjonelle sentimentanalysemodellen for produktanmeldelser. +e sentimentlexicon støtter sentimentattributtene som finnes i anmeldelsene, og CNN brukt i forbindelse med det gated recurrentunit-nettverket trekker ut betydelige sentimentfunksjoner og kontekstelementer. +e foreslåtte modellen ga 93,5 % nøyaktighet i den eksperimentelle analysen, som ble funnet å være høyere enn NB-, SVM- og CNN-modellene. Hyun et al. [18] foreslo en konvolusjonell nevrale nettverksmodell basert på målavhengighet. +e anbefalt metode hjelper med å vurdere virkningen av de omkringliggende ordene på målordet ved å beregne avstanden mellom målordet og de omkringliggende ordene. +eir studie fant at hvert ledd i en setning hadde en variert effekt på utsagnets følelsesmessige polaritet.
En hybrid dyp læringsmodell som systematisk integrerer flere tilnærminger for innebygging av ord (Word2vec, FastText og innebygging på tegnnivå) og flere dyplæringsmetoder (LSTM, GRU, BiLSTM og CNN) ble foreslått av forskere i [19]. +Den foreslåtte modellen henter funksjoner ved å trekke dem ut ved å bruke forskjellige ordinnebyggingsmetoder, slår dem sammen og klassifiserer tekst som prosent.

For å validere ytelsen til den foreslåtte modellen, ble en rekke dyplæringsmodeller kjent som standardmodeller bygget og brukt til å kjøre en serie eksperimenter. Når man sammenligner ytelsen til den foreslåtte modellen med tidligere forskning, overgår den nye modellen grunnlinjemodellene, ifølge funnene i denne studien.

For more information:1950477648nn@gmail.com