E-kaubanduse ülevaadete tõhus pikaajaline lühiajaline mälupõhine sentimentide analüüs, 3. osa

4. Tulemused

Koolitasime oma mudelit umbes 10 epohhi ja arvutasime välja koolituse ja valideerimise kaotuse ning koolituse ja valideerimise täpsuse.

Kaotus võib tunduda meie elus vältimatu sündmusena, kuid selle mõju meie vaimsele tervisele ja mälule võib olla sügav.

Esiteks, kui kogeme kaotust, on lihtne negatiivsetesse emotsioonidesse takerduda. See võib hõlmata kurbust, viha, ärevust ja palju muud. Need emotsioonid võivad mõjutada meie vaimset tervist, jättes meid kurnatuks, jõuetuks ja pettunuks. Samas võivad need negatiivsed emotsioonid mõjutada ka meie mälu, muutes keskendumise raskeks ja mälu häguseks.

Mälu parandamiseks klõpsake teadmise lisandeid

Kuid isegi kui kogeme kaotust, suudame säilitada positiivse suhtumise ja optimistliku vaatenurga, aidates meil üle saada negatiivsete emotsioonide mõjust meie vaimsele tervisele ja mälule. See hõlmab muuhulgas sõprade ja perega aja veetmist, tunnete jagamist, tervisliku toitumise ja elustiili järgimist, kehalist treeningut ja psühhoteraapias käimist.

Lisaks saame astuda ennetavaid samme, et aidata endal kaotusprotsessi ajal häid mälestusi säilitada. See hõlmab endale aega uute olukordadega leppimiseks ja nendega kohanemiseks, samuti uute mälutehnikate ja strateegiate proovimist, nagu mäluassotsiatsioonide loomine, harjutuste kordamine, mälupulkade kasutamine jne.

Kokkuvõttes mõjutab kaotus meie vaimset tervist ja mälu, kuid me saame astuda ennetavaid samme nende mõjude ületamiseks. Kui suudame säilitada positiivse hoiaku ja anda endale aega uute olukordadega kohanemiseks, võib meil olla kergem taastada oma vaimne tervis ja mälu ning liikuda taas parema elu poole. On näha, et me peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb selles sisalduvatest erinevatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.

Jooniselt 4 on näha, et nii koolituse kui ka valideerimise kaotus vähenes kogu mudeli koolituse jooksul. Joonisel 5 on näidatud, et koolituse ja valideerimise täpsus kasvasid seejärel 10 perioodi jooksul.

Kuna pärast ennustamist on lõplikuks väljundiks tõenäosus, rakendame teatud läve, et teha kindlaks, kas andmed kuuluvad positiivsesse või negatiivsesse klassi. Sel eesmärgil oleme kasutanud ROC kõverat, mis kujutab tõelist positiivset ja negatiivset määra.

See aitab leida binaarse klassifikaatori läviväärtusi. Joonisel 6 kujutatud ROC-kõverate põhjal valisime oma läveks 0.78.

+e salvestatud mudel laaditakse uuesti ja katseandmetele on genereeritud ennustused, võttes arvesse ülalmainitud läviväärtust. Nüüd on meil nii algne tunne kui ka ennustatud sentiment.

Kuna andmestik on tasakaalustamata, oleks mudeli testimiseks parem parameeter F1 skoor, mitte täpsus.

Tabelis 4 oleme koostanud teiste lähtemudelite täpsuse, täpsuse, meeldetuletuse ja F1 hinded ning võrrelnud neid meie mudeliga. +e baasmudelid võeti arvesse kirjanduse põhjal, mille selle katse jaoks läbi vaatasime.

5. Järeldus+ on paber käsitleb sentimentide analüüsi e-kaubanduse ülevaadete kontekstis. Arvustuste arvamuste kaevandamise valdkonnas on varem uuritud erinevaid tehnikaid.

Meie andmebaas koosneb Amazoni mobiiltelefonide ja tarvikute jaotise arvustustest. Sentimentide klassifitseerimiseks süvaõppe abil kasutati pika lühiajalise mälu võrke. Meie kohandatud treeningandmestikku kasutati word2vec manustamistehnikasse manustatud funktsioonide eraldamiseks. ROC kõvera põhjal tegime kindlaks, et 0.78 on viimane lävi, mida peaksime meeleolu klassifitseerimiseks kasutama.

Meie mudeli jõudluse hindamiseks on kasutatud nelja parameetrit: täpsus, täpsus, meeldetuletus ja F1 skoor. 97% täpsus on neljast parameetrist kõrgeim.

Kuna andmestik on tasakaalustamata, peame mudeli jõudluse parimaks mõõdupuuks F1-skoori, mis annab hinnangu 93%. Selle uurimistöö peamine katse oli testida mudeli funktsionaalsust suure andmehulgaga. +is-meetod annab häid tulemusi isegi nii suurte andmete puhul, mis hõlmavad umbes 938 261 arvustust. +e Selle meetodi kasutamise peamine eelis seisneb selles, et LSTM võtab arvesse sõnaesitluste pikaajalist mälu ja sõna2vec tõhusat hindamist, mis aitavad tõhusat sentimentide analüüsi.

Edaspidiseks tööks sooviksime kaaluda kahesuunalise LSTM-i kasutamist sentimentide klassifitseerimiseks, mis treenib kahte LSTM-i ahelat, tegelikku sisendjärjestust ja vastupidist. +is võib aidata parandada mudeli jõudlust.

Andmete kättesaadavus

+e andmed, mida kasutatakse selle uuringu tulemuste toetamiseks, on taotluse korral saadaval vastavalt autorilt.

Huvide konfliktid

+e autorid kinnitavad, et neil ei ole huvide konflikti.

Tänuavaldused

+is uurimistööd rahastasid Princess Nourah bint Abdulrahmani ülikooli teadlased, kes toetavad projekti numbrit (PNURSP2022R120), Princess Nourah bint Abdulrahmani ülikool, Riyadh, Saudi Araabia.

Viited

[1] B. Liu, Sentiment Analysis: Mining Opinions, Sentiments, and Emotions, Cambridge Univ. Press, New York, NY, USA, esimene väljaanne, 2015.

[2] P. Balaji, O. Nagaraju ja D. Haritha, "Märts. Tundeanalüüsi tasemed ja selle väljakutsed: kirjanduse ülevaade", väljaandes International Conference on Big DataAnalytics and Computational Intelligence (ICBDAC), lk. 436–439, IEEE, Chirala, India, märts 2017.

[3] R. Varghese ja M. Jayasree, "Uuring on sentiment analysis and arvamuse mining", International Journal of RenewableEnergy Technology, vol. 2, ei. 11, lk 312–317, 2013.

[4] C. Sindhu ja DS Chandrakala, "Uuring arvamuse kujundamise ja sentimentide polaarsuse klassifitseerimise kohta", International Journal of Emerging Technology and Advanced Engineering, vol. 3, lk 531–539, 2013.

[5] A. Jurek, Mulvenna ja Y. Bi, "Improved lexicon-based sentiment analysis for social media analytics", Security Informatics, vol. 4, nr. 1, lk. 9. 2015.

[6] S. Zhang, D. Zhang, H. Zhong ja G. Wang, "A multiclassification model of sentiment for E-commerce reviews", IEEE Access, vol. 8, lk 189513–189526, 2020.

[7] J. Devlin, M. Chang, K. Lee ja K. Toutanova, "BERT: Pretraining of deep bidirectional transformers for languageunderstanding", Proceedings of the Conference NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, lk 4171 –4186, Minneapolis, Minnesota, juuni 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose ja S. Tiwari "Sentiment analysis of review datasets using naive Bayes andk-nn klassifikaator", 2016,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali ja A. Rahman, "Sentiment analysis onTwitter data using KNN and SVM", International Journal of Advanced Computer Science and Applications, vol. 8, nr. 6, lk. 2017. aasta 19.–25.

[10] BS Lakshmi, PS Raj ja RR Vikram, "Sentiment analysisusing deep learning technology CNN with KMeans", International Journal of Pure and Applied Mathematics, vol. 114, nr. 11, lk 47–57, 2017.

[11] Y. Fang, H. Tan ja J. Zhang, "Tarbijate arvustuste mitmestrateegia sentimentanalüüs semantilisel hägususel", IEEE Access, vol. 6, lk 20625–20631, 2018.

[12] B. Shin, T. Lee ja JD Choi, "Lexicon integreeris CNN-mudelid tähelepanuga sentimentanalüüsi jaoks", 2016,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com