Efektivní dlouhodobá krátkodobá analýza sentimentu z recenzí elektronického obchodu, část 1

V dnešní moderní době e-commerce dělá pokroky v procesu přinášení zboží na dosah každého. Spotřebitelé ani nemusí vycházet z pohodlí svého domova, aby si něco nakoupili, což je pro ně velmi pohodlné.

S neustálým rozvojem moderních technologií a rychlým rozvojem elektronického obchodování se náš život stal pohodlnějším a efektivnější, což do jisté míry ovlivnilo i naši paměť. Mezi elektronickým obchodem a pamětí však skutečně existuje vztah a tento vztah je pozitivní a vzestupný.

V první řadě nám e-commerce poskytuje pohodlnější způsob nakupování. Už nemusíme chodit nakupovat osobně do nákupního centra. Pouhými několika kliknutími myši nám může být expresně doručeno zboží, které potřebujeme. Tato forma nakupování odbourává starosti s dlouhým čekáním a tlačenicemi, šetří nám čas i energii. S rozvojem e-commerce můžeme k nakupování využívat inteligentnější technologie, jako je hlasové nakupování, inteligentní doporučení atd. Tyto technologie nám mohou nákup zpříjemnit a zefektivnit.

Za druhé, elektronický obchod nám také může pomoci lépe spravovat informace a data, což je výhodné pro naši paměť a efektivitu práce. K zaznamenávání a sdílení důležitých informací můžeme použít nástroje, jako je e-mail, cloudové disky a online poznámky, čímž se uvolní naše mozky. Tyto nástroje nám pomáhají lépe organizovat a spravovat informace a zajišťují, že se náš mozek musí soustředit pouze na to nejdůležitější. V tomto případě je naše paměť stále trénovaná, protože tyto techniky a nástroje používáme k tomu, aby nám pomohly zapamatovat si informace, spíše než se je snažit zapamatovat.

Konečně, elektronický obchod nám také může pomoci učit se a rozvíjet se, což je velmi prospěšné pro naši paměť a intelektuální rozvoj. Nové znalosti a dovednosti se můžeme naučit prostřednictvím online kurzů, e-knih, online výukových platforem a dalších nástrojů. Tyto nástroje nám umožňují lépe řídit a ovládat znalosti a zároveň nám pomáhají lépe rozvíjet náš profesní i osobní život. Tento způsob učení může stimulovat naše myšlení a zlepšit naši paměť a kreativitu.

Celkově vzato skutečně existuje vztah mezi elektronickým obchodem a pamětí, ale je pozitivní a vzestupný. Elektronický obchod můžeme využít ke zlepšení kvality života a efektivity práce a můžeme ho využít i ke zlepšení naší inteligence a paměti. Proto bychom měli tyto technologie a nástroje aktivně využívat, abychom do našich životů a kariérního rozvoje přidali více pozitivní energie. Je vidět, že potřebujeme zlepšit paměť a Cistanche deserticola může výrazně zlepšit paměť, protože Cistanche deserticola je tradiční čínský léčivý materiál, který má mnoho jedinečných účinků, jedním z nich je zlepšení paměti. Účinnost mletého masa vychází z různých účinných látek, které obsahuje, včetně kyselin, polysacharidů, flavonoidů atd. Tyto složky mohou různými způsoby podporovat zdraví mozku.

Klikněte na 10 způsobů, jak zlepšit paměť

Kromě toho je na výběr široká škála značek. Vzhledem k tomu, že v dnešní době více zákazníků závisí na online nákupních platformách, roste také hodnota hodnocení. Při nákupu těchto produktů se lidé spoléhají pouze na recenze, které jsou o produktech poskytovány.

K analýze těchto recenzí je třeba provést analýzu sentimentu, která se může ukázat jako užitečná pro kupující i výrobce. tento článek popisuje proces analýzy sentimentu a jeho požadavky.

V tomto dokumentu byl k provádění našeho výzkumu použit Amazon Reviewdataset 2018 a Long Short-Term Memory (LSTM) byla zkombinována s reprezentací word2vec, což vedlo ke zlepšení celkového výkonu.

LSTM během tréninkového procesu použil vtokový mechanismus. Navrhovaný model LSTM byl hodnocen na základě čtyř výkonnostních měřítek: přesnosti, preciznosti, zapamatování a skóre F1 a dosáhl celkově vyšších výsledků ve srovnání s jinými základními modely.

1. Úvod

Komunikace hraje klíčovou roli při posilování sociálních vztahů již od historických dob. V současné době téměř každý segment společnosti používá sociální média, protože se vyvinul v účinný nástroj pro vytváření sítí. Hlavní část sociálních médií tvoří stránky elektronického obchodování.

Vzhledem k rychlému pokroku technologií elektronického obchodování se většina lidí nyní rozhoduje nakupovat online. Lidé mohou využívat sociální média k poskytování zpětné vazby na různé situace, předměty a zdroje, které mohou být pozitivní nebo negativní, na základě zkušeností zákazníka.

Nepříznivé komentáře hrají zásadní roli v růstu společnosti, protože pomáhají zlepšovat služby. Zde vstupuje do hry analýza sentimentu.

Analýza sentimentu pomáhá sdělit zákazníkovi pohled na různé zboží prostřednictvím textových informací a zároveň vyhodnotit tyto sdílené recenze.

Různé typy výzkumů naznačují, že analýza sentimentu se obecně provádí na třech úrovních: na úrovni věty, dokumentu a fráze [1–3]. Dílčí kroky zahrnuté v procesu analýzy sentimentu jsou znázorněny na obrázku 1.

Je výzkum navrhuje použití sítí LSTM ke klasifikaci velkého počtu recenzí Amazon. je technika hlubokého učení je rychlá a poskytuje lepší výsledky i pro velký počet recenzí. Studie používá vkládání word2vec pro efektivní odhad reprezentace slov ve vektorovém prostoru.

Word2vec poskytuje lepší výsledky než standardní metody reprezentace, jako je pytlík slov nebo jednodílné kódování. tato studie se zaměřuje především na dvě části: Efektivní mapování sentimentových slov do vektorového prostoru prostřednictvím modelu word2vec a sítě LSTM pro klasifikaci recenzí.

2. Literární průzkum

Sekce +is obsahuje všechny důležité podklady k tématu analýzy sentimentu, které jsou relevantní pro náš výzkum.

Zjistili jsme, že většina dřívějších prací používala algoritmy strojového učení, algoritmy hlubokého učení a lexikon sentimentu. V tabulce 1 jsme shrnuli přístupy použité ve výzkumu a výhody a nevýhody přístupů.

V roce 2013 Sindhu a Chandrakala [4] pozorovali nedávné a účinné techniky, které se používají ke studiu analýzy sentimentu, včetně klasifikace polarity sentimentu a různých technik strojového učení, jako je NaiveBayes, Maximum Entropy a podpůrný vektorový stroj. +průzkum naznačuje, že klasifikaci sentimentu lze určit dvěma atributy, přiřazením polarity, tj. určením, zda je sentiment pozitivní, negativní nebo neutrální, a přiřazením intenzity, které ukazuje, jak silný nebo mírný je konkrétní sentiment z hlediska polarity.

Jurek a spol. [5]předložil model s algoritmem analýzy sentimentu založeným na lexikonu, který zahrnoval dvě klíčové složky: integrační funkci založenou na důkazech a normalizaci sentimentu, které měřily emoce spíše než pozitivní/negativní označení a napomáhaly diferenciaci různých emocí.

Jako datová sada pro tuto studii byl použit veřejně dostupný Twitter Corpus, přičemž hlavním cílem studie byla analýza obsahu Twitteru v reálném čase.

Zhang a kol. [6] představil multiklasifikační přístup k provádění analýzy sentimentu u recenzí elektronického obchodování.

Dále Zhang a kol. [6] představili multiklasifikační model pro analýzu sentimentu recenzí e-commerce. +eAmazon review dataset (2018) byl použit pro navrhovanou studii, která byla založena na přímo váženém problému. +eproposed studie uvedla, že extrakcí entitních slov s rysy, posouzením vzorů sentimentu a vyhodnocením nejkratší cesty mezi uzly by se problém podobnosti sentimentu mohl přeměnit na problém výpočtu nejkratší cesty. Ve srovnání s modelem BERT [7] si tento model vedl lépe, pokud jde o čas procesoru algoritmu.

Dey a kol. [8] zkoumali algoritmy strojového učení, K-NN a Naive Bayes, pomocí tří vyhodnocovacích metrik. Klasifikátor +eNaive Bayes ve své práci překonal klasifikátor K-NN.

Výzkumníci v [9] představili model klasifikace sentimentu se dvěma technikami. +e prvním navrženým přístupem, algoritmus klasifikace sentimentu využíval klasifikátor K-NN a ve druhém byl použit algoritmus podpůrného vektoru. +e účinnost klasifikačního algoritmu byla ověřena na základě skutečných tweetů. + získané výsledky ukázaly, že algoritmus klasifikace sentimentu překonal SVM při experimentální validaci.

V [10] bylo uvedeno srovnání metod supervizovaného a nekontrolovaného učení. +jejich práce poskytly srovnávací analýzu řízených (CNN a KNN) a nekontrolovaných (CNN s K znamená shlukování) učebních algoritmů.

Fang a kol. [11] představili techniku ​​analýzy více sentimentů, která do značné míry zahrnuje teorii fuzzy množin, teorii strojového učení a metodu založenou na lexikonu polarity. Spotřebitelské recenze byly poté analyzovány pomocí tohoto hybridního modelu.

Pro tuto studii byly použity algoritmy Naive Bayes a SVM. +e vylepšený model SVM, tj. hybridní metoda, která kombinuje multistrategickou analýzu sentimentu s SVM, byla mnohem úspěšnější a poskytla přesnost 86,35 %.

Navíc bylo pozorováno 3,8% zvýšení přesnosti při implementaci vylepšeného Naive Bayes. Kromě toho výzkumníci v [12] představili způsob, jak začlenit lexikální vložky a mechanismus pozornosti do CNN. +edataset byl vytvořen pomocí tweetů. Metoda +e byla hodnocena pomocí skóre F1. +e práce, která byla navržena, byla provedena lépe než ty současné.

Preethi et al zavedli systém doporučení založený na rekurzivní neuronové síti (RNN) [13].

Hluboké učení bylo využito k optimalizaci návrhů zaměřených na analýzu sentimentu a bylo provedeno na třech samostatných recenzích v této studii.

Nejprve byly prozkoumány soubory dat a byly sledovány jejich statistické aspekty před implementací klasifikátoru Naive Bayes a RNN. +Výsledky testů ukázaly, že použití RNN, hluboké neuronové sítě, zvýšilo přesnost analýzy sentimentu, což vedlo k jemnějším návrhům pro uživatele a pomohlo při výběru konkrétní pozice v závislosti na požadavcích uživatelů.

Kromě toho výzkumníci v [14] navrhli použít výběr funkcí založený na Giniindexu a klasifikátor SVM pro kategorizaci dat. +e datový soubor pro tuto studii byl velkou sbírkou filmových recenzí.

Na základě výsledků experimentů byla navržená metoda určena jako méně přesná než jiné metody. Gated RNN s mezinázorovými vazbami zavedli Chen et al. [15]. +isapproach měl přesnost asi 92,6 %.

Pro klasifikaci byla v [16] navržena bidirectional gated recurrent unit (BiGRU) spárovaná s mechanismem pozornosti. Bylo zjištěno, že přístup +is je účinný pro klasifikační úkoly a generuje lepší výsledky než dříve používané metody s přesností 93,1 %. Náhradní model analýzy sentimentu, který zahrnuje CNN a BiGRU založený na pozornosti, byl navržen výzkumníky v [17].

Integrací výhod lexikonu sentimentu s technologií hlubokého učení kompenzuje nedostatky v tradičním modelu analýzy sentimentu pro recenze produktů. +e sentimentlexicon podporuje atributy sentimentu nalezené v recenzích a CNN použité ve spojení se sítí gated recurrentunit získává významné rysy sentimentu a kontextové prvky. +e navrhovaný model poskytl 93,5% přesnost v experimentální analýze, která byla shledána vyšší než modely NB, SVM a CNN. Hyun a kol. [18]navrhl model konvoluční neuronové sítě založený na závislosti na cíli. Doporučená metoda +e pomáhá vyhodnotit dopad okolních slov na cílové slovo tím, že vypočítá vzdálenost mezi cílovým slovem a okolními slovy. +eir studie zjistila, že každý termín ve větě měl různý vliv na emoční polaritu výroku.
Hybridní model hlubokého učení, který systematicky integruje více přístupů k vkládání slov (Word2vec, FastText a vkládání na úrovni znaků) a několik metod hlubokého učení (LSTM, GRU, BiLSTM a CNN), byl navržen výzkumníky v [19]. +e navrhovaný model získává vlastnosti jejich extrakcí pomocí různých metod vkládání slov, slučuje je a klasifikuje text jako persentiment.

Pro ověření výkonu navrhovaného modelu bylo vytvořeno mnoho modelů hlubokého učení známých jako standardní modely, které byly použity k provedení řady experimentů. Při porovnání výkonu navrhovaného modelu s výkonem dřívějšího výzkumu nový model podle zjištění této studie překonává základní modely.

For more information:1950477648nn@gmail.com