Anàlisi eficient dels sentiments basats en la memòria a curt termini de les ressenyes de comerç electrònic Part 1

En l'era moderna d'avui, el comerç electrònic està avançant en el procés de portar béns a l'abast de tothom. Els consumidors ni tan sols estan obligats a sortir de la comoditat de casa seva per comprar coses, la qual cosa els fa molt convenient.

Amb el desenvolupament continu de la tecnologia moderna i el ràpid desenvolupament del comerç electrònic, les nostres vides s'han tornat més còmodes i eficients, cosa que també ha afectat la nostra memòria fins a cert punt. Tanmateix, efectivament hi ha una relació entre el comerç electrònic i la memòria, i la relació és positiva i ascendent.

En primer lloc, el comerç electrònic ens ofereix un mètode de compra més còmode. Ja no necessitem anar al centre comercial a comprar en persona. Amb només uns quants clics del ratolí, la mercaderia que necessitem se'ns pot lliurar mitjançant enviament exprés. Aquesta forma de comprar elimina les preocupacions de llargues esperes i aglomeracions, estalviant-nos temps i energia. Amb el desenvolupament del comerç electrònic, podem utilitzar tecnologies més intel·ligents per comprar, com ara compres per veu, recomanacions intel·ligents, etc. Aquestes tecnologies poden fer que les nostres compres siguin més còmodes i eficients.

En segon lloc, el comerç electrònic també ens pot ajudar a gestionar millor la informació i les dades, cosa que és beneficiosa per a la nostra memòria i l'eficiència del treball. Podem utilitzar eines com el correu electrònic, els discos al núvol i les notes en línia per gravar i compartir informació important, alliberant el nostre cervell. Aquestes eines ens ajuden a organitzar i gestionar millor la informació, de manera que el nostre cervell només s'ha de centrar en les coses més importants. En aquest cas, la nostra memòria encara està entrenada perquè utilitzem aquestes tècniques i eines per ajudar-nos a recordar la informació en lloc d'intentar recordar-la.

Finalment, el comerç electrònic també ens pot ajudar a aprendre i desenvolupar-nos, la qual cosa és molt beneficiós per a la nostra memòria i desenvolupament intel·lectual. Podem aprendre nous coneixements i habilitats mitjançant cursos en línia, llibres electrònics, plataformes d'aprenentatge en línia i altres eines. Aquestes eines ens permeten gestionar i dominar millor el coneixement, alhora que ens ajuden a desenvolupar millor la nostra vida professional i personal. Aquesta manera d'aprendre pot estimular el nostre pensament i millorar la nostra memòria i creativitat.

En general, efectivament hi ha una relació entre el comerç electrònic i la memòria, però és positiva i ascendent. Podem utilitzar el comerç electrònic per millorar la nostra qualitat de vida i l'eficiència laboral, i també el podem utilitzar per millorar la nostra intel·ligència i memòria. Per tant, hauríem d'utilitzar activament aquestes tecnologies i eines per afegir més energia positiva a les nostres vides i al desenvolupament professional. Es pot veure que hem de millorar la memòria, i Cistanche deserticola pot millorar significativament la memòria perquè Cistanche deserticola és un material medicinal tradicional xinès que té molts efectes únics, un dels quals és millorar la memòria. L'eficàcia de la carn picada prové dels diferents ingredients actius que conté, com àcids, polisacàrids, flavonoides, etc. Aquests ingredients poden afavorir la salut del cervell de diverses maneres.

Feu clic a Coneix 10 maneres de millorar la memòria

A més, hi ha una gran varietat de marques per triar. Com que més clients depenen de les plataformes de compres en línia en aquests dies, el valor de les valoracions també està creixent. Per comprar aquests productes, la gent es basa únicament en les ressenyes que es proporcionen sobre els productes.

Per analitzar aquestes ressenyes, cal realitzar una anàlisi de sentiments, que pot resultar útil tant per als compradors com per al fabricant. Aquest article descriu el procés d'anàlisi de sentiments i els seus requisits.

En aquest article, l'Amazon Reviewdataset 2018 s'ha utilitzat per dur a terme la nostra investigació i la memòria a llarg termini (LSTM) s'ha combinat amb la representació de word2vec, donant com a resultat una millora del rendiment general.

LSTM va utilitzar un mecanisme de gating durant el procés d'entrenament. El model LSTM proposat es va avaluar a partir de quatre mesures de rendiment: precisió, precisió, record i puntuació F1, i va aconseguir resultats globals més alts en comparació amb altres models de referència.

1. Introducció

La comunicació ha tingut un paper clau en l'impuls de les relacions socials des de temps històrics. Avui en dia, gairebé tots els segments de la societat utilitzen les xarxes socials a mesura que s'han convertit en una eina de xarxa eficaç. La part principal de les xarxes socials inclou llocs de comerç electrònic.

A causa del ràpid avenç de les tecnologies de comerç electrònic, la majoria de la gent ara opta per comprar en línia. Les persones poden utilitzar les xarxes socials per proporcionar comentaris sobre diverses situacions, articles i recursos, que poden ser positius o negatius, segons l'experiència del client.

Els comentaris desfavorables tenen un paper essencial en el creixement de l'empresa perquè ajuden a millorar els serveis. Aquí entra en joc l'anàlisi de sentiments.

L'anàlisi de sentiments ajuda a donar a conèixer el punt de vista d'un client sobre diferents productes mitjançant informació de text i, alhora, avaluar aquestes ressenyes compartides.

Diversos tipus d'investigació suggereixen que l'anàlisi de sentiments es realitza generalment en tres nivells: nivell de frase, document i frase [1–3]. Els subpassos implicats en el procés d'anàlisi del sentiment es mostren a la figura 1.

La investigació proposa l'ús de xarxes LSTM per classificar un gran nombre de ressenyes d'Amazon. Aquesta tècnica d'aprenentatge profund és ràpida i dóna millors resultats fins i tot per a un gran nombre de ressenyes. L'estudi utilitza la incorporació de word2vec per a l'estimació eficient de representacions de paraules a l'espai vectorial.

Word2vec proporciona millors resultats que els mètodes de representació estàndard, com ara la codificació d'una bossa de paraules o una part. Aquest estudi se centra principalment en dues parts: Mapeig eficient de paraules de sentiment a l'espai vectorial mitjançant el model word2vec i la xarxa LSTM per classificar ressenyes.

2. Enquesta de literatura

+aquesta secció conté tots els antecedents importants sobre el tema de l'anàlisi de sentiments que són rellevants per a la nostra investigació.

Vam descobrir que la majoria de les obres anteriors utilitzaven algorismes d'aprenentatge automàtic, algorismes d'aprenentatge profund i lèxic de sentiments. A la taula 1, hem resumit els enfocaments utilitzats en la investigació i els mèrits i demèrits dels enfocaments.

L'any 2013, Sindhu i Chandrakala [4] van observar tècniques eficients i recents que s'utilitzen per estudiar l'anàlisi de sentiments, inclosa la classificació de la polaritat dels sentiments i diverses tècniques d'aprenentatge automàtic com NaiveBayes, Maximum Entropia i màquina vectorial de suport. L'enquesta suggereix que la classificació del sentiment es pot determinar mitjançant dos atributs, l'assignació de polaritat, és a dir, determinar si el sentiment és positiu, negatiu o neutre, i l'assignació d'intensitat, que mostra com de fort o lleu és el sentiment particular en termes de polaritat.

Jurek et al. [5] va presentar un model amb un algoritmo d'anàlisi de sentiments basat en lèxic que incloïa dos components clau: la funció d'integració basada en l'evidència i la normalització del sentiment que mesurava l'emoció en lloc d'una etiqueta positiva/negativa i ajudava en la diferenciació de diferents emocions.

Per a aquest estudi es va utilitzar un corpus de Twitter disponible públicament com a conjunt de dades, l'objectiu principal de l'estudi era l'anàlisi de contingut de Twitter en temps real.

Zhang et al. [6] va presentar un enfocament de classificació múltiple per realitzar anàlisis de sentiments en revisions de comerç electrònic.

A més, Zhang et al. [6] va presentar un model de classificació múltiple per a l'anàlisi del sentiment de les revisions de comerç electrònic. El conjunt de dades de revisió +eAmazon (2018) es va utilitzar per a l'estudi proposat, que es basava en un problema ponderat dirigit. L'estudi proposat va afirmar que, mitjançant l'extracció de paraules d'entitat amb característiques, l'avaluació dels patrons de sentiment i l'avaluació del camí més curt entre els nodes, el problema de la similitud de sentiments es podria transformar en un problema de càlcul del camí més curt. En comparació amb el model BERT [7], aquest model va tenir un millor rendiment pel que fa al temps de CPU de l'algoritme.

Dey et al. [8] va examinar els algorismes d'aprenentatge automàtic, K-NN i Naive Bayes, utilitzant tres mètriques d'avaluació. El classificador +eNaive Bayes va superar el classificador K-NN en el seu treball.

Els investigadors de [9] van presentar un model de classificació de sentiments amb dues tècniques. El primer enfocament proposat, l'algoritme de classificació de sentiments va utilitzar el classificador K-NN i, en l'altre, es va utilitzar l'algoritme de vectormachine de suport. +e eficiència de l'algoritme de classificació es va validar a partir de tuits reals. Els resultats obtinguts van mostrar que el goritme de classificació del sentiment va superar SVM en la validació experimental.

A [10], es va presentar una comparació de mètodes d'aprenentatge supervisat i no supervisat. +El seu treball va proporcionar una anàlisi comparativa d'algorismes d'aprenentatge supervisats (CNN i KNN) i no supervisats (CNN amb K significa agrupació).

Fang et al. [11] va introduir una tècnica d'anàlisi multisentiment que incorpora en gran mesura la teoria de conjunts difusos, la teoria de l'aprenentatge automàtic i un mètode basat en lèxic de polaritat. Després es van analitzar les revisions dels consumidors utilitzant aquest model híbrid.

Per a aquest estudi es van utilitzar algorismes Naive Bayes i SVM. El model SVM millorat, és a dir, un mètode híbrid que combina l'anàlisi de sentiments multiestratègia amb l'SVM, va tenir molt més èxit i va donar una precisió de 86,35%.

A més, es va observar un augment del 3,8% en la precisió mentre s'implementava el Naive Bayes actualitzat. A més, els investigadors de [12] van presentar una manera d'incorporar incorporacions lèxiques i un mecanisme d'atenció a la CNN. +edataset es va crear mitjançant tuits. El mètode +e es va avaluar mitjançant la puntuació F1. +El treball que es va suggerir va fer millor que els actuals.

Preethi et al va introduir un sistema de recomanació basat en la Xarxa Neural Recursiva (RNN) (RDSA).[13].

Es va utilitzar l'aprenentatge profund per optimitzar els suggeriments centrats en l'anàlisi de sentiments i es va fer en tres revisions diferents en aquest estudi.

En primer lloc, es van investigar conjunts de dades i es van observar els seus aspectes estadístics abans d'implementar el classificador Naive Bayes i el RNN. Els resultats de les proves van demostrar que l'ús de RNN, una xarxa neuronal profunda, va augmentar la precisió de l'anàlisi de sentiments, donant lloc a suggeriments més detallats per als usuaris i ajudant a la selecció d'una posició particular en funció dels requisits dels usuaris.

A més, els investigadors de [14] van proposar utilitzar una selecció de característiques basada en Giniindex i un classificador SVM per categoritzar les dades. El conjunt de dades +e per a aquest estudi era una gran col·lecció de ressenyes de pel·lícules.

A partir de les conclusions dels experiments, es va determinar que el mètode proposat era menys precís que altres mètodes. Chen et al va introduir un RNN tancat amb connexions entre opinions. [15]. +isapproach tenia una precisió d'uns 92,6%.

Per a la classificació, es va proposar una unitat recurrent bidireccional (BiGRU) combinada amb un mecanisme d'atenció a [16]. + Aquest enfocament va ser eficaç per a les tasques de classificació i va generar millors resultats que els mètodes utilitzats anteriorment, amb una precisió del 93,1%. Els investigadors van proposar un model d'anàlisi de sentiment de substitució que incorpora la CNN i el BiGRU basat en l'atenció a [17].

En integrar els avantatges del lèxic de sentiments amb la tecnologia d'aprenentatge profund, compensa els defectes del model d'anàlisi de sentiments tradicional per a les revisions de productes. +e sentimentlexicon admet els atributs de sentiment que es troben a les ressenyes i CNN que s'utilitza juntament amb la xarxa d'unitats recurrents tancades extreu característiques de sentiment i elements de context significatius. El model suggerit +e va donar un 93,5% de precisió a l'anàlisi experimental, que es va trobar que era superior als models NB, SVM i CNN. Hyun et al. [18] va suggerir un model de xarxa neuronal convolucional basat en la dependència de l'objectiu. El mètode recomanat ajuda a no avaluar l'impacte de les paraules que l'envolten sobre la paraula objectiu calculant la distància entre la paraula objectiu i les paraules que l'envolten. El seu estudi va trobar que cada terme d'una frase tenia un efecte variat en la polaritat emocional de l'enunciat.
Els investigadors van proposar un model d'aprenentatge profund híbrid que integra sistemàticament múltiples enfocaments d'incorporació de paraules (Word2vec, FastText i incrustació a nivell de caràcter) i diversos mètodes d'aprenentatge profund (LSTM, GRU, BiLSTM i CNN) a [19]. El model suggerit +e obté característiques extraient-les mitjançant diversos mètodes d'inserció de paraules, les fusiona i classifica el text com a sentiment.

Per validar el rendiment del model suggerit, es van crear nombrosos models d'aprenentatge profund coneguts com a models estàndard i es van utilitzar per executar una sèrie d'experiments. Quan es compara el rendiment del model proposat amb el d'investigacions anteriors, el nou model supera els models de referència, segons les conclusions d'aquest estudi.

For more information:1950477648nn@gmail.com