Efektívna dlhodobá krátkodobá pamäťová analýza recenzií elektronického obchodu 3. časť

4. Výsledky

Náš model sme trénovali asi 10 epoch a vypočítali sme stratu tréningu a validácie, ako aj presnosť tréningu a validácie.

Strata sa môže zdať ako nevyhnutná udalosť v našom živote, ale jej vplyv na naše duševné zdravie a pamäť môže byť hlboký.

Po prvé, keď zažijeme stratu, je ľahké uviaznuť v negatívnych emóciách. To môže zahŕňať smútok, hnev, úzkosť a ďalšie. Tieto emócie môžu ovplyvniť naše duševné zdravie, takže sa cítime vyčerpaní, bezmocní a sklamaní. Zároveň tieto negatívne emócie môžu ovplyvniť aj našu pamäť, sťažiť nám koncentráciu a naša pamäť sa zahmlieva.

Kliknite na vedieť doplnky na zlepšenie pamäte

Avšak aj keď zažijeme stratu, stále si môžeme zachovať pozitívny prístup a optimistickú perspektívu, čo nám pomáha prekonať vplyv negatívnych emócií na naše duševné zdravie a pamäť. To zahŕňa trávenie času s priateľmi a rodinou, zdieľanie pocitov, udržiavanie zdravého stravovania a životného štýlu, zapojenie sa do fyzického cvičenia a navštevovanie psychoterapie, okrem iného.

Okrem toho môžeme podniknúť proaktívne kroky, ktoré nám pomôžu udržať si dobré spomienky počas procesu straty. To zahŕňa dať si nejaký čas na prijatie a prispôsobenie sa novým situáciám, ako aj skúšanie nových pamäťových techník a stratégií, ako je vytváranie pamäťových asociácií, opakovanie cvičení, používanie pamäťových kariet atď.

Celkovo vzaté, strata si vyberá daň na našom duševnom zdraví a pamäti, ale môžeme podniknúť proaktívne kroky na prekonanie týchto účinkov. Ak si dokážeme zachovať pozitívny prístup a dopriať si nejaký čas na prispôsobenie sa novým situáciám, možno sa nám podarí ľahšie získať späť svoje duševné zdravie a pamäť a opäť prejsť k lepšiemu životu. Je vidieť, že potrebujeme zlepšiť pamäť a Cistanche deserticola môže výrazne zlepšiť pamäť, pretože Cistanche deserticola je tradičný čínsky liečivý materiál, ktorý má mnoho jedinečných účinkov, jedným z nich je zlepšenie pamäte. Účinnosť mletého mäsa spočíva v rôznych aktívnych zložkách, ktoré obsahuje, vrátane kyselín, polysacharidov, flavonoidov atď. Tieto zložky môžu podporovať zdravie mozgu rôznymi spôsobmi.

Z obrázku 4 môžeme vidieť, že strata trénovania aj validácie sa počas trénovania modelu znížila. Obrázok 5 ukazuje, že presnosť tréningu a overovania sa následne zvýšila počas 10 epoch.

Keďže po predikcii je konečný výstup, ktorý dostaneme, pravdepodobnosť, použijeme určitý prah na určenie, či údaje patria do pozitívnej alebo negatívnej triedy. Na tento účel sme použili krivku ROC, ktorá zobrazuje pravdivé pozitívne a negatívne miery.

Pomáha nájsť prahové hodnoty pre binárny klasifikátor. Z našej krivky ROC znázornenej na obrázku 6 sme ako náš prah vybrali 0.78.

+e uložený model sa znova načíta a na testovacích údajoch sa vygenerujú predpovede s ohľadom na vyššie uvedenú prahovú hodnotu. Teraz máme pôvodný sentiment aj predpovedaný sentiment.

Keďže súbor údajov je nevyvážený, lepším parametrom na testovanie modelu by bolo skóre F1, a nie presnosť.

V tabuľke 4 sme zostavili skóre presnosti, presnosti, vybavovania a F1 iných základných modelov a porovnali sme ich s naším modelom. +e základné modely boli zvážené z literatúry, ktorú sme pre tento experiment preskúmali.

5. Záver + tento článok sa zaoberá analýzou sentimentu v kontexte recenzií elektronického obchodu. V oblasti získavania názorov z recenzií boli predtým skúmané rôzne techniky.

Naša databáza pozostáva z recenzií zo sekcie mobilných telefónov a príslušenstva Amazonu. Na klasifikáciu sentimentu pomocou hlbokého učenia sa použili siete s dlhou krátkodobou pamäťou. Naša vlastná trénovacia množina údajov bola použitá na extrahovanie funkcií zabudovaných do technológie word2vec embedding. Na základe ROC krivky sme určili, že 0.78 je konečný prah, ktorý by sme mali použiť na klasifikáciu sentimentu.

Na vyhodnotenie výkonu nášho modelu boli použité štyri parametre: presnosť, presnosť, vybavovanie a skóre F1. Zistilo sa, že presnosť 97 % je najvyšší zo štyroch parametrov.

Keďže množina údajov je nevyvážená, považujeme skóre F1 za najlepšie meradlo výkonnosti modelu, ktoré poskytuje hodnotenie 93 %. Hlavným pokusom tohto výskumu bolo otestovať funkčnosť modelu s veľkým množstvom dát. Metóda +is poskytuje dobré výsledky aj pre také veľké údaje, ktoré predstavujú približne 938 261 recenzií. +e Hlavnou výhodou použitia tejto metódy je, že LSTM berie do úvahy dlhodobú pamäť a word2vec efektívny odhad slovných reprezentácií, čo pomáha pri efektívnej analýze sentimentu.

Pre budúcu prácu by sme chceli zvážiť použitie obojsmerného LSTM na klasifikáciu sentimentu, ktorý trénuje dva reťazce LSTM, skutočnú vstupnú sekvenciu a opačnú. +is môže pomôcť zlepšiť výkon modelu.

Dostupnosť údajov

+e údaje použité na podporu zistení tejto študijnej oblasti sú na požiadanie k dispozícii od príslušného autora.

Konflikt záujmov

Autori +e vyhlasujú, že nemajú žiadny konflikt záujmov.

Poďakovanie

+je výskum bol financovaný výskumnými pracovníkmi z Univerzity princeznej Nourah bint Abdulrahman číslo projektu. (PNURSP2022R120), Univerzita princeznej Nourah bint Abdulrahman, Rijád, Saudská Arábia.

Referencie

[1] B. Liu, Analýza sentimentu: Názory na baníctvo, pocity a emócie, Cambridge Univ. Tlač, New York, NY, USA, 1. vydanie, 2015.

[2] P. Balaji, O. Nagaraju a D. Haritha, „March). 436–439, IEEE, Chirala, India, marec 2017.

[3] R. Varghese a M. Jayasree, "Prieskum o analýze sentimentu a získavaní názorov," International Journal of RenewableEnergy Technology, zv. 2, č. 11, s. 312–317, 2013.

[4] C. Sindhu a DS Chandrakala, "Prieskum o získavaní názorov a klasifikácii polarity sentimentu", InternationalJournal of Emerging Technology and Advanced Engineering, zv. 3, s. 531–539, 2013.

[5] A. Jurek, Mulvenna a Y. Bi, „Vylepšená lexikónová analýza sentimentu pre analýzu sociálnych médií“, Security Informatics, vol. 4, č. 1, str. 9, 2015.

[6] S. Zhang, D. Zhang, H. Zhong a G. Wang, "Multiklasifikačný model sentimentu pre recenzie elektronického obchodu", IEEE Access, zv. 8, s. 189513–189526, 2020.

[7] J. Devlin, M. Chang, K. Lee a K. Toutanova, "BERT: príprava hlbokých obojsmerných transformátorov na porozumenie jazyku," v zborníku z konferencie NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, str. 4171. –4186, Minneapolis, Minnesota, jún 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose a S. Tiwari, „Analýza sentimentu súborov údajov prehľadu pomocou naivného klasifikátora Bayes andk-nn“, 2016,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali a A. Rahman, "Analýza sentimentu na údajoch z Twitteru pomocou KNN a SVM", International Journal ofAdvanced Computer Science and Applications, zv. 8, č. 6, str. 19-25, 2017.

[10] BS Lakshmi, PS Raj a RR Vikram, "Analýza sentimentu pomocou techniky hlbokého učenia CNN s KMeans", International Journal of Pure and Applied Mathematics, zv. 114, č. 11, s. 47–57, 2017.

[11] Y. Fang, H. Tan a J. Zhang, "Multi-strategy sentimentanalysis of Consumer reviews based on sémantic fuzziness", IEEE Access, vol. 6, s. 20625–20631, 2018.

[12] B. Shin, T. Lee a JD Choi, „Lexikon integroval modely CNN s dôrazom na analýzu sentimentu“, 2016,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com