E-kaubanduse ülevaadete tõhus pikaajaline lühiajaline mälupõhine sentimentide analüüs, 1. osa

Tänasel moodsal ajastul teeb e-kaubandus edusamme kaupade kõigi käeulatusse toomise protsessis. Tarbijad ei pea isegi asjade ostmiseks oma kodust välja astuma, mistõttu on see neile väga mugav.

Kaasaegse tehnoloogia pideva arengu ja e-kaubanduse kiire arenguga on meie elu muutunud mugavamaks ja efektiivsemaks, mis on mingil määral mõjutanud ka meie mälu. Kuid e-kaubanduse ja mälu vahel on tõepoolest seos ning suhe on positiivne ja ülespoole suunatud.

Esiteks annab e-kaubandus meile mugavama ostuviisi. Me ei pea enam isiklikult kaubanduskeskusesse ostlema minema. Vaid mõne hiireklõpsuga saab meile vajalikud kaubad kiirpostiga kohale toimetada. See ostlemise vorm välistab pika ootamise ja rahvahulga mured, säästes meie aega ja energiat. E-kaubanduse arenguga saame ostlemiseks kasutada intelligentsemaid tehnoloogiaid, nagu häälostmine, intelligentsed soovitused jne. Need tehnoloogiad võivad muuta meie ostlemise mugavamaks ja tõhusamaks.

Teiseks võib e-kaubandus aidata meil paremini teavet ja andmeid hallata, mis on kasulik meie mälule ja töö efektiivsusele. Saame kasutada olulise teabe salvestamiseks ja jagamiseks selliseid tööriistu nagu meil, pilvekettad ja võrgumärkmed, vabastades meie aju. Need tööriistad aitavad meil teavet paremini organiseerida ja hallata, tagades, et meie aju peab keskenduma ainult kõige olulisematele asjadele. Sel juhul on meie mälu ikkagi treenitud, sest me kasutame neid tehnikaid ja tööriistu, et aidata meil teavet meelde jätta, mitte proovida seda meelde jätta.

Lõpuks võib e-kaubandus aidata meil ka õppida ja areneda, mis on väga kasulik meie mälule ja intellektuaalsele arengule. Saame õppida uusi teadmisi ja oskusi veebikursuste, e-raamatute, veebipõhiste õppeplatvormide ja muude tööriistade kaudu. Need tööriistad võimaldavad meil teadmisi paremini hallata ja omandada, aidates samal ajal paremini arendada oma töö- ja isiklikku elu. Selline õppimisviis võib stimuleerida meie mõtlemist ning parandada mälu ja loovust.

Üldiselt on e-kaubanduse ja mälu vahel tõepoolest seos, kuid see on positiivne ja ülespoole suunatud. E-kaubanduse abil saame parandada oma elukvaliteeti ja töö efektiivsust, samuti saame seda kasutada oma intelligentsuse ja mälu parandamiseks. Seetõttu peaksime neid tehnoloogiaid ja tööriistu aktiivselt kasutama, et lisada oma elule ja karjäärile rohkem positiivset energiat. 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.

Klõpsake nuppu Tea 10 viisi mälu parandamiseks

Lisaks on valikus palju erinevaid kaubamärke. Kuna tänapäeval sõltub rohkem kliente veebipõhisest ostuplatvormist, kasvab ka hinnangute väärtus. Nende toodete ostmisel tuginevad inimesed ainult arvustustele, mida toodete kohta antakse.

Nende arvustuste analüüsimiseks tuleb läbi viia sentimentanalüüs, mis võib osutuda kasulikuks nii ostjatele kui ka tootjatele. on paber kirjeldab sentimentanalüüsi protsessi ja selle nõudeid.

Selles artiklis on meie uuringute läbiviimiseks kasutatud Amazon Reviewdataset 2018 ja Long Short-Term Memory (LSTM) on kombineeritud word2vec esitusega, mille tulemuseks on üldise jõudluse parandamine.

LSTM kasutas koolitusprotsessi ajal väravamehhanismi. Kavandatud LSTM-i mudelit hinnati nelja jõudlusnäitaja alusel: täpsus, täpsus, meeldetuletus ja F1-skoor ning see saavutas teiste baasmudelitega võrreldes üldiselt kõrgemaid tulemusi.

1. Sissejuhatus

Suhtlemisel on ajaloolistest aegadest alates olnud võtmeroll sotsiaalsete suhete edendamisel. Tänapäeval kasutavad peaaegu kõik ühiskonnasegmendid sotsiaalmeediat, kuna see on muutunud tõhusaks võrgustikutööriistaks. Sotsiaalmeedia põhiosa moodustavad e-kaubanduse saidid.

E-kaubanduse tehnoloogiate kiire arengu tõttu otsustab enamik inimesi nüüd osta veebist. Inimesed saavad kasutada sotsiaalmeediat erinevate olukordade, esemete ja ressursside kohta tagasiside andmiseks, mis võib kliendi kogemuse põhjal olla positiivne või negatiivne.

Ebasoodsad kommentaarid mängivad ettevõtte kasvus olulist rolli, kuna aitavad teenuseid paremaks muuta. Siin tuleb mängu sentimentide analüüs.

Sentimentanalüüs aitab tekstiteabe kaudu avaldada kliendi seisukohta erinevate kaupade kohta ja samal ajal hinnata neid jagatud arvustusi.

Erinevat tüüpi uuringud viitavad sellele, et sentimentaalanalüüsi tehakse üldiselt kolmel tasandil: lause, dokumendi ja fraasi tasandil [1–3]. Sentimentide analüüsi protsessis osalevad sammud on kujutatud joonisel 1.

Kas uuringud pakuvad LSTM-võrkude kasutamist suure hulga Amazoni arvustuste klassifitseerimiseks? on süvaõppe tehnika on kiire ja annab paremaid tulemusi isegi suure arvu arvustuste puhul. Uuring kasutab sõna2vec manustamist, et tõhusalt hinnata sõna esitusi vektorruumis.

Word2vec annab paremaid tulemusi kui standardsed esitusmeetodid, näiteks sõnade kott oroone-osa kodeering. Uuring keskendub peamiselt kahele osale: Sentiment-sõnade tõhus kaardistamine vektorruumi Word2vec mudeli ja LSTM-võrgu kaudu arvustuste klassifitseerimiseks.

2. Kirjanduse uuring

Jaotis +is sisaldab kõiki olulisi sentimentanalüüsi teemaga seotud taustatöid, mis on meie uurimistöö jaoks olulised.

Avastasime, et enamikus varasemates töödes kasutati masinõppe algoritme, süvaõppe algoritme ja sentimentide leksikoni. Tabelis 1 oleme kokku võtnud uurimistöös kasutatud lähenemisviisid ning nende eelised ja puudused.

Aastal 2013 jälgisid Sindhu ja Chandrakala [4] hiljutisi ja tõhusaid tehnikaid, mida kasutatakse sentimentide analüüsi uurimiseks, sealhulgas sentimentide polaarsuse klassifikatsiooni ja mitmesuguseid masinõppetehnikaid, nagu NaiveBayes, Maximum Entropy ja tugivektori masin. +uuring näitab, et sentimentide klassifikatsiooni saab määrata kahe atribuudiga, polaarsuse määramisega, st määramisega, kas sentiment on positiivne, negatiivne või neutraalne, ja intensiivsuse määramisega, mis näitab, kui tugev või kerge on eriarvamus polaarsuse mõttes.

Jurek et al. [5]esitlesid leksikonil põhineva sentimentide analüüsi algoritmiga mudeli, mis sisaldas kahte põhikomponenti: tõenditel põhinevat integratsioonifunktsiooni ja sentimentide normaliseerimist, mis mõõtis pigem emotsioone kui positiivset/negatiivset märgist ja aitas eristada erinevaid emotsioone.

Selle uuringu andmestikuna kasutati avalikult kättesaadavat Twitteri korpust, mille põhirõhk on reaalajas Twitteri sisuanalüüsil.

Zhang et al. [6] esitas mitme klassifikatsiooni lähenemisviisi e-kaubanduse ülevaadete tundeanalüüsi tegemiseks.

Lisaks Zhang et al. [6] esitas mitme klassifikatsiooni mudeli e-kaubanduse ülevaadete sentimentaalanalüüsiks. Kavandatavas uuringus kasutati +eAmazon ülevaate andmestikku (2018), mis põhines suunatud kaalutud probleemil. +Pakutud uuring väitis, et tunnustega olemisõnade eraldamise, sentimendimustrite hindamise ja sõlmedevahelise lühima tee hindamise abil saab sentimentide sarnasuse probleemi muuta lühima tee arvutamise probleemiks. Võrreldes BERT-mudeliga [7], toimis see mudel algoritmi protsessori aja osas paremini.

Dey et al. [8] uuris masinõppe algoritme K-NN ja Naive Bayes, kasutades kolme hindamismõõdikut. +eNaive Bayesi klassifikaator ületas oma töös K-NN klassifikaatorit.

[9] teadlased esitasid kahe tehnikaga sentimentide klassifitseerimise mudeli. Esimeses pakutud lähenemisviisis kasutati sentimentide klassifitseerimise algoritmis K-NN klassifikaatorit ja teises tugivektori masina algoritmi. +e klassifitseerimisalgoritmi tõhusust valideeriti tõeliste säutsude põhjal. Saadud tulemused näitasid, et sentimentide klassifitseerimisalgoritm ületas eksperimentaalsel valideerimisel SVM-i.

Artiklis [10] esitati juhendatud ja juhendamata õppemeetodite võrdlus. +eir töö andis juhendatud (CNN ja KNN) ja juhendamata (CNN koos K tähendab rühmitamist) õppimisalgoritmide võrdleva analüüsi.

Fang et al. [11] tutvustas multisentiment-analüüsi tehnikat, mis sisaldab suurel määral hägusate hulgateooriat, masinõppe teooriat ja polaarsusleksikonil põhinevat meetodit. Seejärel analüüsiti selle hübriidmudeli abil tarbijate ülevaateid.

Selles uuringus kasutati naiivseid Bayesi ja SVM-i algoritme. +e täiustatud SVM-mudel, st hübriidmeetod, mis ühendab mitmestrateegia tundeanalüüsi SVM-iga, oli palju edukam ja andis täpsuseks 86,35%.

Lisaks täheldati uuendatud Naive Bayesi rakendamisel 3,8% täpsuse kasvu. Lisaks esitasid [12] teadlased viisi, kuidas lisada CNN-i leksikaalsed sisendid ja tähelepanumehhanism. +edataset loodi säutsude abil. +e meetodit hinnati F1 skoori alusel. +e töö, mida soovitati, sooritati paremini kui praegused.

Rekursiivsel närvivõrgul (RNN) põhineva soovitussüsteemi (RDSA) võtsid kasutusele Preethi jt.[13]

Sentimentanalüüsile keskendunud soovituste optimeerimiseks kasutati süvaõpet ja seda tehti selles uuringus kolme eraldi ülevaate põhjal.

Esiteks uuriti andmekogumeid ja vaadeldi nende statistilisi aspekte enne Naive Bayesi klassifikaatori ja RNN-i rakendamist. +katsete tulemused näitasid, et sügava närvivõrgu RNN-i kasutamine suurendas sentimentanalüüsi täpsust, andes kasutajatele täpsemaid soovitusi ja aidates valida kasutajate nõudmistest olenevalt konkreetse asukoha.

Lisaks tegid [14] teadlased ettepaneku kasutada andmete kategoriseerimiseks Giniindexi-põhist funktsioonivalikut ja SVM-klassifikaatorit. Selle uuringu andmekogum oli suur kogum filmiarvustusi.

Katsete tulemuste põhjal leiti, et pakutud meetod on teistest meetoditest vähem täpne. Arvamustevaheliste ühendustega suletud RNN-i tutvustasid Chen jt. [15]. +lähenemise täpsus oli umbes 92,6%.

Klassifitseerimiseks pakuti välja kahesuunaline korduv üksus (BiGRU), mis on seotud tähelepanumehhanismiga [16]. +is-lähenemine leiti olevat klassifitseerimisülesannete jaoks tõhus ja andis paremaid tulemusi kui varem kasutatud meetodid 93,1% täpsusega. Teadlased pakkusid välja asendustundeanalüüsi mudeli, mis sisaldab CNN-i ja tähelepanupõhist BiGRU-d [17].

Integreerides sentimentide leksikoni eelised süvaõppetehnoloogiaga, kompenseerib tootearvustuste traditsioonilise tundeanalüüsi mudeli puudused. +e sentimentlexicon toetab arvustustes leiduvaid sentiment-atribuute ja CNN, mida kasutatakse koos piiratud korduva üksuse võrguga, eraldab olulised sentimentitunnused ja kontekstielemendid. +e pakutud mudel andis eksperimentaalses analüüsis 93,5% täpsuse, mis leiti olevat kõrgem kui NB, SVM ja CNN mudelid. Hyun et al. [18] pakkus välja konvolutsioonilise närvivõrgu mudeli, mis põhineb sihtmärgi sõltuvusel. +e soovitatav meetod aitab hinnata ümbritsevate sõnade mõju sihtsõnale, arvutades sihtsõna ja ümbritsevate sõnade vahelise kauguse. +eir uuring näitas, et igal lauses sisalduval terminil oli erinev mõju väite emotsionaalsele polaarsusele.
Teadlased pakkusid välja hübriidse süvaõppemudeli, mis integreerib süstemaatiliselt mitu sõna manustamise lähenemisviisi (Word2vec, FastText ja märgitasemel manustamine) ja mitut süvaõppe meetodit (LSTM, GRU, BiLSTM ja CNN). +e soovitatud mudel hangib omadused, ekstraheerides need erinevate sõna manustamismeetodite abil, liidab need kokku ja liigitab teksti püsivaks.

Soovitatud mudeli toimivuse kinnitamiseks ehitati arvukalt süvaõppemudeleid, mida tuntakse standardmudelitena, ja kasutati neid katseseeria läbiviimiseks. Kui võrrelda pakutud mudeli toimivust varasemate uuringute tulemustega, siis selle uuringu tulemuste kohaselt ületab uus mudel baasmudeleid.

For more information:1950477648nn@gmail.com