Efektīva, uz īstermiņa atmiņu balstīta noskaņojuma analīze par e-komercijas apskatiem, 1. daļa

Mūsdienu modernajā laikmetā e-komercija virzās uz priekšu, lai preces būtu pieejamas ikvienam. Patērētājiem pat nav jāizkāpj no savām mājām, lai iegādātos preces, tāpēc tas viņiem ir ļoti ērti.

Nepārtraukti attīstoties modernajām tehnoloģijām un strauji attīstoties e-komercijai, mūsu dzīve ir kļuvusi ērtāka un efektīvāka, kas zināmā mērā ir ietekmējis arī mūsu atmiņu. Tomēr patiešām pastāv saistība starp e-komerciju un atmiņu, un attiecības ir pozitīvas un augšupejošas.

Pirmkārt, e-komercija nodrošina mums ērtāku iepirkšanās metodi. Mums vairs nav jāiet uz tirdzniecības centru, lai iepirktos personīgi. Tikai ar dažiem peles klikšķiem mums nepieciešamās preces var piegādāt ar eksprespiegādi. Šis iepirkšanās veids novērš rūpes, kas saistītas ar ilgu gaidīšanu un pūļiem, ietaupot mūsu laiku un enerģiju. Attīstoties e-komercijai, mēs varam izmantot viedākas iepirkšanās tehnoloģijas, piemēram, iepirkšanos ar balsi, viedus ieteikumus utt. Šīs tehnoloģijas var padarīt mūsu iepirkšanos ērtāku un efektīvāku.

Otrkārt, e-komercija var arī palīdzēt mums labāk pārvaldīt informāciju un datus, kas labvēlīgi ietekmē mūsu atmiņu un darba efektivitāti. Mēs varam izmantot tādus rīkus kā e-pasts, mākoņdiski un tiešsaistes piezīmes, lai ierakstītu un kopīgotu svarīgu informāciju, tādējādi atbrīvojot mūsu smadzenes. Šie rīki palīdz mums labāk organizēt un pārvaldīt informāciju, nodrošinot, ka mūsu smadzenēm jākoncentrējas tikai uz vissvarīgākajām lietām. Šajā gadījumā mūsu atmiņa joprojām ir trenēta, jo mēs izmantojam šīs metodes un rīkus, lai palīdzētu mums atcerēties informāciju, nevis mēģināt to atcerēties.

Visbeidzot, e-komercija var arī palīdzēt mums mācīties un attīstīties, kas ir ļoti labvēlīga mūsu atmiņai un intelektuālajai attīstībai. Mēs varam apgūt jaunas zināšanas un prasmes, izmantojot tiešsaistes kursus, e-grāmatas, tiešsaistes mācību platformas un citus rīkus. Šie rīki ļauj mums labāk pārvaldīt un apgūt zināšanas, vienlaikus palīdzot mums labāk attīstīt savu profesionālo un personīgo dzīvi. Šis mācīšanās veids var stimulēt mūsu domāšanu un uzlabot atmiņu un radošumu.

Kopumā starp e-komerciju un atmiņu patiešām pastāv saikne, taču tā ir pozitīva un augšupejoša. Mēs varam izmantot e-komerciju, lai uzlabotu savu dzīves kvalitāti un darba efektivitāti, kā arī mēs varam to izmantot, lai uzlabotu savu intelektu un atmiņu. Tāpēc mums ir aktīvi jāizmanto šīs tehnoloģijas un instrumenti, lai pievienotu vairāk pozitīvas enerģijas mūsu dzīvei un karjeras attīstībai. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var ievērojami uzlabot atmiņu, jo Cistanche deserticola ir tradicionāls ķīniešu ārstniecības materiāls, kam ir daudz unikālu efektu, no kuriem viens ir atmiņas uzlabošana. Maltās gaļas iedarbīgumu nodrošina dažādas tajā esošās aktīvās sastāvdaļas, tostarp skābe, polisaharīdi, flavonoīdi utt. Šīs sastāvdaļas var dažādos veidos veicināt smadzeņu veselību.

Noklikšķiniet uz zināt 10 veidus, kā uzlabot atmiņu

Turklāt ir pieejams plašs zīmolu klāsts, no kuriem izvēlēties. Tā kā mūsdienās arvien vairāk klientu ir atkarīgi no tiešsaistes iepirkšanās platformām, pieaug arī vērtējumu vērtība. Lai iegādātos šos produktus, cilvēki paļaujas tikai uz atsauksmēm, kas tiek sniegtas par produktiem.

Lai analizētu šos pārskatus, ir jāveic sentimenta analīze, kas var izrādīties noderīga gan pircējiem, gan ražotājam. ir darbs, kas apraksta sentimenta analīzes procesu un tā prasības.

Šajā rakstā mūsu pētījumu veikšanai tika izmantots Amazon Reviewdataset 2018, un ilgtermiņa īstermiņa atmiņa (LSTM) ir apvienota ar word2vec attēlojumu, tādējādi uzlabojot kopējo veiktspēju.

Apmācības laikā LSTM izmantoja vārtu mehānismu. Ierosinātais LSTM modelis tika novērtēts pēc četriem veiktspējas rādītājiem: precizitāte, precizitāte, atsaukšana un F1score, un kopumā tika sasniegti augstāki rezultāti, salīdzinot ar citiem bāzes modeļiem.

1. Ievads

Kopš vēsturiskiem laikiem komunikācijai ir bijusi galvenā loma sociālo attiecību veicināšanā. Mūsdienās gandrīz visi sabiedrības segmenti izmanto sociālos medijus, jo tie ir kļuvuši par iedarbīgu tīklu veidošanas rīku. Sociālo mediju galvenā daļa ir e-komercijas vietnes.

Tā kā e-komercijas tehnoloģijas strauji attīstās, lielākā daļa cilvēku tagad izvēlas pirkumus tiešsaistē. Cilvēki var izmantot sociālos medijus, lai sniegtu atsauksmes par dažādām situācijām, priekšmetiem un resursiem, kas var būt pozitīvas vai negatīvas, pamatojoties uz klienta pieredzi.

Nelabvēlīgiem komentāriem ir būtiska loma uzņēmuma izaugsmē, jo tie palīdz uzlabot pakalpojumus. Šeit tiek izmantota sentimenta analīze.

Sentimenta analīze palīdz paust klienta viedokli par dažādām precēm, izmantojot teksta informāciju, un vienlaikus novērtēt šīs kopīgotās atsauksmes.

Dažāda veida pētījumi liecina, ka sentimenta analīze parasti tiek veikta trīs līmeņos: teikuma, dokumenta un frāzes līmenī [1–3]. 1. attēlā ir parādīti sentimenta analīzes procesā iesaistītie soļi.

Vai pētījumi ierosina izmantot LSTM tīklus, lai klasificētu lielu skaitu Amazon atsauksmju? ir dziļās mācīšanās tehnika ir ātra un sniedz labākus rezultātus pat lielam atsauksmju skaitam. Šis pētījums izmanto word2vec iegulšanu, lai efektīvi novērtētu vārdu reprezentācijas vektoru telpā.

Word2vec nodrošina labākus rezultātus nekā standarta attēlošanas metodes, piemēram, vārdu maisa orone-part kodēšana. Pētījums galvenokārt koncentrējas uz divām daļām: Efektīva sentimenta vārdu kartēšana vektoru telpā, izmantojot word2vec modeli un LSTM tīklu, lai klasificētu pārskatus.

2. Literatūras apskats

+is sadaļa satur visus svarīgos fona darbus par noskaņojuma analīzes tēmu, kas attiecas uz mūsu pētījumu.

Mēs atklājām, ka lielākajā daļā iepriekšējo darbu tika izmantoti mašīnmācīšanās algoritmi, dziļās mācīšanās algoritmi un sentimenta leksikons. 1. tabulā esam apkopojuši pētījumā izmantotās pieejas un to priekšrocības un trūkumus.

2013. gadā Sindhu un Čandrakala [4] novēroja jaunākās un efektīvas metodes, kas tiek izmantotas sentimenta analīzes pētīšanai, tostarp sentimenta polaritātes klasifikācija un dažādas mašīnmācīšanās metodes, piemēram, NaiveBayes, Maximum Entropy un atbalsta vektora mašīna. +aptauja liecina, ka noskaņojuma klasifikāciju var noteikt pēc diviem atribūtiem, polaritātes piešķiršanas, ti, nosakot, vai noskaņojums ir pozitīvs, negatīvs vai neitrāls, un intensitātes piešķiršanu, kas parāda, cik spēcīga vai viegla ir atsevišķa noskaņojuma polaritāte.

Jureks et al. [5] prezentēja modeli ar uz leksiku balstītu sentimenta analīzes algoritmu, kurā bija iekļauti divi galvenie komponenti: uz pierādījumiem balstīta integrācijas funkcija un sentimenta normalizēšana, kas mēra emocijas, nevis pozitīvu/negatīvu apzīmējumu un palīdzēja atšķirt dažādas emocijas.

Šim pētījumam kā datu kopa tika izmantots publiski pieejams Twitter korpuss, kura galvenā uzmanība tika pievērsta reāllaika Twitter satura analīzei.

Džans et al. [6] iepazīstināja ar vairāku klasifikāciju pieeju, lai veiktu noskaņojuma analīzi e-komercijas pārskatos.

Turklāt Zhang et al. [6] iepazīstināja ar daudzklasifikācijas modeli e-komercijas pārskatu noskaņojuma analīzei. Ierosinātajam pētījumam tika izmantota +eAmazon pārskata datu kopa (2018), kas balstījās uz virzītu svērtu problēmu. +Ierosinātais pētījums norādīja, ka, izdalot entītiju vārdus ar pazīmēm, novērtējot sentimenta modeļus un novērtējot īsāko ceļu starp mezgliem, sajūtu līdzības problēmu var pārveidot par īsākā ceļa aprēķināšanas problēmu. Salīdzinot ar BERTmodel [7], šis modelis darbojās labāk algoritma CPU laika ziņā.

Dey et al. [8] pārbaudīja mašīnmācīšanās algoritmus K-NN un Naive Bayes, izmantojot trīs novērtēšanas metriku. +eNaive Bayes klasifikators savā darbā pārspēja K-NN klasifikatoru.

Pētnieki [9] iepazīstināja ar noskaņojuma klasifikācijas modeli ar diviem paņēmieniem. Pirmā piedāvātā pieeja, noskaņojuma klasifikācijas algoritms izmantoja K-NN klasifikatoru, bet otrā tika izmantots atbalsta vektormašīnas algoritms. +e klasifikācijas algoritma efektivitāte tika apstiprināta, pamatojoties uz reāliem tvītiem. +iegūtie rezultāti parādīja, ka noskaņojuma klasifikācijas algoritms eksperimentālajā validācijā pārspēja SVM.

[10] tika prezentēts supervizēto un nekontrolēto mācību metožu salīdzinājums. +air darbs nodrošināja uzraudzīto (CNN un KNN) un neuzraudzīto (CNN ar K nozīmē klasterizāciju) mācību algoritmu salīdzinošo analīzi.

Fang et al. [11] ieviesa daudzsentimentu analīzes paņēmienu, kas lielā mērā ietver izplūdušo kopu teoriju, mašīnmācīšanās teoriju un uz polaritātes leksiku balstītu metodi. Pēc tam, izmantojot šo hibrīdmodeli, tika analizētas patērētāju atsauksmes.

Šajā pētījumā tika izmantoti naivie Bayes un SVM algoritmi. +e uzlabotais SVM modelis, ti, hibrīda metode, kas apvieno vairāku stratēģiju noskaņojuma analīzi ar SVM, bija daudz veiksmīgāka un sniedza precizitāti 86,35%.

Turklāt, ieviešot uzlaboto Naive Bayes, tika novērots precizitātes pieaugums par 3,8%. Turklāt pētnieki [12] iepazīstināja ar veidu, kā CNN iekļaut leksikas iegulšanas un uzmanības mehānismu. +edataset tika izveidota, izmantojot tvītus. +e metode tika novērtēta pēc F1 rezultāta. +e darbs, kas tika ieteikts, tika veikts labāk nekā pašreizējie.

Uz rekursīvo neironu tīklu (RNN) balstītu ieteikumu sistēmu (RDSA) ieviesa Preethi et al.[13].

Padziļināta mācīšanās tika izmantota, lai optimizētu ieteikumus, kas balstīti uz noskaņojuma analīzi, un šajā pētījumā tika veikta trīs atsevišķos pārskatos.

Pirmkārt, pirms Naive Bayes klasifikatora un RNN ieviešanas tika izpētītas datu kopas un novēroti to statistiskie aspekti. +izmēģinājumu rezultāti parādīja, ka, izmantojot RNN, dziļo neironu tīklu, tika palielināta noskaņojuma analīzes precizitāte, sniedzot lietotājiem precīzākus ieteikumus un palīdzot izvēlēties konkrētu pozīciju atkarībā no lietotāju prasībām.

Turklāt pētnieki [14] ierosināja izmantot uz Giniindex balstītu funkciju atlasi un SVM klasifikatoru, lai klasificētu datus. Šī pētījuma +e datu kopa bija liela filmu recenziju kolekcija.

Pamatojoties uz eksperimentu rezultātiem, piedāvātā metode tika noteikta kā mazāk precīza nekā citas metodes. Slēgtu RNN ar savstarpējo viedokļu savienojumiem ieviesa Chen et al. [15]. +pietuvināšanās precizitāte bija aptuveni 92,6%.

Klasifikācijai [16] tika piedāvāta divvirzienu atkārtota vienība (BiGRU), kas savienota pārī ar uzmanības mehānismu. +is pieeja tika atzīta par efektīvu klasifikācijas uzdevumiem un radīja labākus rezultātus nekā iepriekš izmantotās metodes ar 93,1% precizitāti. Pētnieki [17] ierosināja aizstāt noskaņojuma analīzes modeli, kas ietver CNN un uz uzmanību balstīto BiGRU.

Integrējot sentimenta leksikas priekšrocības ar dziļās mācīšanās tehnoloģiju, tiek kompensētas nepilnības tradicionālās sentimenta analīzes modelī produktu apskatiem. +e sentimentu leksika atbalsta noskaņojuma atribūtus, kas atrodami pārskatos, un CNN, kas tiek izmantots kopā ar ierobežoto periodisko vienību tīklu, izvelk nozīmīgas noskaņojuma pazīmes un konteksta elementus. +e ieteiktais modelis sniedza 93,5% precizitāti eksperimentālajā analīzē, kas tika konstatēta augstāka nekā NB, SVM un CNN modeļi. Hyun et al. [18] ierosināja konvolūcijas neironu tīkla modeli, kura pamatā ir atkarība no mērķa. +e ieteicamā metode palīdz novērtēt apkārtējo vārdu ietekmi uz mērķa vārdu, aprēķinot attālumu starp mērķa vārdu un apkārtējiem vārdiem. +eir pētījums atklāja, ka katram terminam teikumā bija dažāda ietekme uz apgalvojuma emocionālo polaritāti.
Pētījumā [19] pētnieki ierosināja hibrīdu dziļās mācīšanās modeli, kas sistemātiski integrē vairākas vārdu iegulšanas pieejas (Word2vec, FastText un rakstzīmju līmeņa iegulšanu) un vairākas dziļās mācīšanās metodes (LSTM, GRU, BiLSTM un CNN). +e ieteiktais modelis iegūst līdzekļus, izvelkot tos, izmantojot dažādas vārdu iegulšanas metodes, apvieno tos un klasificē tekstu kā persentimentu.

Lai apstiprinātu ieteiktā modeļa veiktspēju, tika izveidoti daudzi dziļās mācīšanās modeļi, kas pazīstami kā standarta modeļi, un tika izmantoti eksperimentu sērijas veikšanai. Salīdzinot piedāvātā modeļa veiktspēju ar iepriekšējo pētījumu rezultātiem, jaunais modelis pārspēj bāzes modeļus saskaņā ar šī pētījuma rezultātiem.

For more information:1950477648nn@gmail.com