ניתוח סנטימנטים מבוסס זיכרון ארוך טווח יעיל של סקירות מסחר אלקטרוני חלק 1

בעידן המודרני של היום, המסחר האלקטרוני מתקדם בתהליך הבאת סחורות להישג ידם של כולם. הצרכנים אפילו לא נדרשים לצאת מהנוחות של בתיהם כדי לקנות דברים, מה שהופך אותו לנוח מאוד עבורם.

עם ההתפתחות המתמשכת של הטכנולוגיה המודרנית וההתפתחות המהירה של המסחר האלקטרוני, חיינו הפכו נוחים ויעילים יותר, מה שגם השפיע במידה מסוימת על הזיכרון שלנו. עם זאת, אכן יש קשר בין מסחר אלקטרוני לזיכרון, והקשר הוא חיובי ומעלה.

קודם כל, מסחר אלקטרוני מספק לנו שיטת קניות נוחה יותר. אנחנו כבר לא צריכים ללכת לקניון כדי לקנות באופן אישי. בכמה לחיצות עכבר בלבד, ניתן להעביר אלינו את הסחורה שאנו צריכים במשלוח אקספרס. צורת קניות זו מבטלת את הדאגות של המתנה ארוכה וצפיפות, וחוסכת לנו זמן ואנרגיה. עם התפתחות המסחר האלקטרוני, נוכל להשתמש בטכנולוגיות חכמות יותר לקניות, כמו קניות קוליות, המלצות חכמות וכו'. טכנולוגיות אלו יכולות להפוך את הקניה שלנו לנוחה ויעילה יותר.

שנית, מסחר אלקטרוני יכול גם לעזור לנו לנהל טוב יותר מידע ונתונים, מה שמועיל לזיכרון וליעילות העבודה שלנו. אנו יכולים להשתמש בכלים כגון דואר אלקטרוני, דיסקים בענן והערות מקוונות כדי להקליט ולשתף מידע חשוב, ולשחרר את המוח שלנו. הכלים האלה עוזרים לנו לארגן ולנהל מידע טוב יותר, ומבטיחים שהמוח שלנו צריך להתמקד רק בדברים החשובים ביותר. במקרה זה, הזיכרון שלנו עדיין מאומן מכיוון שאנו משתמשים בטכניקות ובכלים אלו כדי לעזור לנו לזכור את המידע במקום לנסות לזכור אותו.

לבסוף, מסחר אלקטרוני יכול גם לעזור לנו ללמוד ולהתפתח, מה שמועיל מאוד לזיכרון ולהתפתחות האינטלקטואלית שלנו. אנו יכולים ללמוד ידע ומיומנויות חדשים באמצעות קורסים מקוונים, ספרים אלקטרוניים, פלטפורמות למידה מקוונות וכלים אחרים. כלים אלו מאפשרים לנו לנהל טוב יותר ולשלוט בידע, ובמקביל גם עוזרים לנו לפתח טוב יותר את חיינו המקצועיים והאישיים. דרך למידה זו יכולה לעורר את החשיבה שלנו ולשפר את הזיכרון והיצירתיות שלנו.

בסך הכל, אכן יש קשר בין מסחר אלקטרוני לזיכרון, אבל הוא חיובי ומעלה. אנחנו יכולים להשתמש במסחר אלקטרוני כדי לשפר את איכות החיים שלנו ויעילות העבודה, ואנחנו יכולים גם להשתמש בו כדי לשפר את האינטליגנציה והזיכרון שלנו. לכן, עלינו להשתמש באופן פעיל בטכנולוגיות ובכלים אלה כדי להוסיף אנרגיה חיובית יותר לחיינו ולפיתוח הקריירה שלנו. ניתן לראות שאנו צריכים לשפר את הזיכרון, ו-Cistanche deserticola יכול לשפר משמעותית את הזיכרון מכיוון ש-Cistanche deserticola הוא חומר רפואי סיני מסורתי בעל השפעות ייחודיות רבות, אחת מהן היא שיפור הזיכרון. היעילות של בשר טחון מגיעה מהמרכיבים הפעילים השונים שהוא מכיל, לרבות חומצה, פוליסכרידים, פלבנואידים ועוד. מרכיבים אלו יכולים לקדם את בריאות המוח בדרכים שונות.

לחץ לדעת 10 דרכים לשיפור הזיכרון

יתר על כן, יש מגוון רחב של מותגים לבחירה. מכיוון שיותר לקוחות תלויים בפלטפורמות קניות מקוונות בימינו, גם ערך הדירוגים גדל. כדי לקנות מוצרים אלה, אנשים מסתמכים אך ורק על הביקורות שמסופקות על המוצרים.

כדי לנתח ביקורות אלה, יש לבצע ניתוח סנטימנטים, אשר יכול להיות שימושי הן עבור הקונים והן עבור היצרן. מאמר זה מתאר את תהליך ניתוח הסנטימנטים ואת הדרישות שלו.

במאמר זה, ערכת הנתונים של Amazon Review 2018 שימשה לביצוע המחקר שלנו וזיכרון לטווח קצר ארוך (LSTM) שולב עם ייצוג word2vec, וכתוצאה מכך שיפור הביצועים הכוללים.

LSTM השתמש במנגנון שער במהלך תהליך האימון. מודל ה-LSTM המוצע הוערך על פי ארבעה מדדי ביצועים: דיוק, דיוק, זכירה וציון F1, והשיג תוצאות גבוהות יותר באופן כללי בהשוואה למודלים בסיסיים אחרים.

1. הקדמה

תקשורת מילאה תפקיד מפתח בחיזוק היחסים החברתיים מאז התקופה ההיסטורית. בימינו, כמעט כל חלק בחברה משתמש במדיה חברתית כפי שהתפתח לכלי רשת יעיל. החלק העיקרי של המדיה החברתית כולל אתרי מסחר אלקטרוני.

בגלל ההתקדמות המהירה של טכנולוגיות המסחר האלקטרוני, רוב האנשים בוחרים כעת לרכוש באינטרנט. אנשים יכולים להשתמש במדיה חברתית כדי לספק משוב על מצבים שונים, פריטים ומשאבים שונים, שיכולים להיות חיוביים או שליליים, בהתבסס על חווית הלקוח.

הערות לא חיוביות ממלאות תפקיד חיוני בצמיחת החברה מכיוון שהן עוזרות לשפר את השירותים. כאן, ניתוח סנטימנט נכנס לתמונה.

ניתוח סנטימנטים מסייע במתן נקודת מבט של לקוח על מוצרים שונים באמצעות מידע טקסט ובמקביל להעריך את הסקירות המשותפות.

סוגים שונים של מחקר מצביעים על כך שניתוח סנטימנטים מתבצע בדרך כלל בשלוש רמות: משפט, מסמך ורמת ביטוי [1-3]. תתי שלבים המעורבים בתהליך ניתוח הסנטימנטים מתוארים באיור 1.

האם המחקר מציע להשתמש ברשתות LSTM כדי לסווג מספר רב של ביקורות של אמזון. טכניקת ההעמקה היא מהירה ונותנת תוצאות טובות יותר אפילו עבור מספר רב של ביקורות. המחקר משתמש בהטמעת word2vec לאומדן יעיל של ייצוגי מילים במרחב וקטורי.

Word2vec מספק תוצאות טובות יותר משיטות הייצוג הסטנדרטיות כגון שקית מילים או קידוד חד חלק. המחקר מתמקד בעיקר בשני חלקים: מיפוי יעיל של מילות סנטימנט למרחב וקטור באמצעות מודל word2vec ורשת LSTM לסיווג ביקורות.

2. סקר ספרות

קטע +is מכיל את כל עבודת הרקע החשובה בנושא ניתוח סנטימנטים הרלוונטית למחקר שלנו.

גילינו שרוב העבודות הקודמות השתמשו באלגוריתמים של למידת מכונה, אלגוריתמי למידה עמוקה ולקסיקון סנטימנט. בטבלה 1, סיכמנו את הגישות ששימשו במחקר ואת היתרונות והחסרונות של הגישות.

בשנת 2013, Sindhu ו-Chandrakala [4] צפו בטכניקות עדכניות ויעילות המשמשות למחקר ניתוח סנטימנטים, כולל סיווג קוטביות סנטימנט וטכניקות למידת מכונה שונות כגון NaiveBayes, Maximum Entropy ותמיכה במכונה וקטורית. +סקר מצביע על כך שניתן לקבוע את סיווג הסנטימנט על ידי שתי תכונות, הקצאת קוטביות, כלומר, קביעה אם הסנטימנט הוא חיובי, שלילי או ניטרלי, והקצאת אינטנסיביות, המתארת ​​עד כמה חזק או קל סנטימנט נפרד במונחים של קוטביות.

Jurek et al. [5]הציג מודל עם אלגוריתם ניתוח סנטימנטים מבוסס לקסיקון שכלל שני מרכיבים מרכזיים: פונקציית אינטגרציה מבוססת ראיות ונורמליזציה של סנטימנט שמדדה רגש ולא תווית חיובית/שלילית וסייעה בהבחנה של רגשות שונים.

קורפוס טוויטר זמין לציבור שימש כמערך נתונים עבור מחקר זה, כאשר המוקד העיקרי של המחקר היה ניתוח תוכן בטוויטר בזמן אמת.

ג'אנג ואחרים. [6] הציג גישת ריבוי סיווגים לביצוע ניתוח סנטימנטים על סקירות מסחר אלקטרוני.

יתר על כן, Zhang et al. [6] הציג מודל רב-סיווג לניתוח סנטימנטים של ביקורות מסחר אלקטרוני. מערך הסקירה של +eAmazon (2018) שימש עבור המחקר המוצע, שהתבסס על בעיה משוקללת מכוונת. מחקר שהוצע קבע כי, על ידי חילוץ של מילות ישות עם תכונות, הערכת דפוסי סנטימנט, והערכת הנתיב הקצר ביותר בין צמתים, ניתן להפוך את בעיית הדמיון הסנטימנט לבעיה של חישוב הנתיב הקצר ביותר. בהשוואה למודל BERT [7], מודל זה פעל טוב יותר מבחינת זמן המעבד של האלגוריתם.

דיי וחב'. [8] בדק את אלגוריתמי למידת המכונה, K-NN ו- Naive Bayes, תוך שימוש בשלושה מדדי הערכה. +eNaive Bayes מסווג עלה על ביצועיו של מסווג K-NN בעבודתם.

חוקרים ב[9] הציגו מודל סיווג סנטימנט עם שתי טכניקות. לגישה הראשונה שהוצעה, אלגוריתם סיווג הסנטימנטים השתמש במסווג K-NN ובשני, נעשה שימוש באלגוריתם וקטור-מכונות התמיכה. +e היעילות של אלגוריתם הסיווג אומתה על סמך ציוצים אמיתיים. התוצאות שהתקבלו הראו שאלגוריתם סיווג הסנטימנטים עלה על ה-SVM באימות ניסיוני.

ב-[10] הוצגה השוואה בין שיטות למידה מפוקחות ובלתי מפוקחות. העבודה שלהם סיפקה ניתוח השוואתי של אלגוריתמי למידה בפיקוח (CNN ו-KNN) וללא פיקוח (CNN עם K פירושו אשכול).

פאנג וחב'. [11] הציג טכניקת ניתוח רב-סנטימנטים המשלבת מאוד את תורת הקבוצות המטושטשת, תורת למידת מכונה ושיטה המבוססת על לקסיקון קוטביות. לאחר מכן נותחו ביקורות צרכנים באמצעות מודל היברידי זה.

למחקר זה נעשה שימוש באלגוריתמים נאיביים של Bayes ו-SVM. +e מודל SVM משופר, כלומר, שיטה היברידית המשלבת ניתוח סנטימנט רב-אסטרטגי עם ה-SVM, הצליחה הרבה יותר והעניקה דיוק של 86.35%.

בנוסף, נצפתה עלייה של 3.8% ברמת הדיוק בעת יישום ה- Naive Bayes המשודרג. בנוסף, חוקרים ב-[12] הציגו דרך לשילוב היבטים לקסיקליים ומנגנון קשב ב-CNN. +edataset נוצר באמצעות ציוצים. שיטת +e הוערכה באמצעות ציון F1. העבודה שהוצעה בוצעה טוב יותר מהעבודות הנוכחיות.

מערכת המלצות מבוססת רשת רקורסיבית עצבית (RNN) (RDSA) הוצגה על ידי Preethi et al.[13].

למידה עמוקה נוצלה כדי לייעל הצעות המתמקדות בניתוח סנטימנטים ונעשתה על פי שלוש סקירות נפרדות במחקר זה.

ראשית, מערכי נתונים נחקרו וההיבטים הסטטיסטיים שלהם נצפו לפני יישום הסיווג Naive Bayes וה-RNN. תוצאות הניסויים הראו ששימוש ב-RNN, רשת עצבית עמוקה, הגביר את הדיוק של ניתוח סנטימנטים, מה שהוביל להצעות עדינות יותר למשתמשים וסייע בבחירת מיקום נפרד בהתאם לדרישות המשתמשים.

יתר על כן, חוקרים ב[14] הציעו להשתמש בבחירת תכונה מבוססת Giniindex ומסווג SVM כדי לסווג נתונים. +e מערך הנתונים עבור מחקר זה היה אוסף גדול של ביקורות סרטים.

בהתבסס על ממצאי הניסויים, השיטה המוצעת נקבעה פחות מדויקת משיטות אחרות. RNN סגור עם קשרים בין דעות הוצג על ידי Chen et al. [15]. +isapproach היה דיוק של כ-92.6%.

לצורך סיווג, הוצעה ב-[16] יחידה מגודרת חוזרת דו-כיוונית (BiGRU) בשילוב עם מנגנון קשב. הגישה של +is נמצאה יעילה למשימות סיווג ויצרה תוצאות טובות יותר מהשיטות שהיו בעבר, עם דיוק של 93.1%. מודל ניתוח סנטימנט חלופי המשלב את CNN וה-BiGRU מבוסס הקשב הוצע על ידי חוקרים בשנת [17].

על ידי שילוב היתרונות של לקסיקון הסנטימנט עם טכנולוגיית למידה עמוקה, מפצה על פגמים במודל ניתוח הסנטימנט המסורתי עבור סקירות מוצרים. +e sentimentlexicon תומך בתכונות הסנטימנט שנמצאו בביקורות ו-CNN בשימוש בשילוב עם רשת היחידה החוזרת המגודרת מחלצת תכונות סנטימנט משמעותיות ומרכיבי הקשר. המודל המוצע של +e נתן דיוק של 93.5% בניתוח הניסוי, שנמצא גבוה יותר מהמודלים NB, SVM ו-CNN. היון וחב'. [18]הציע מודל רשת עצבית קונבולוציונית המבוסס על תלות במטרה. השיטה המומלצת + מסייעת להעריך את ההשפעה של המילים שמסביב על מילת היעד על ידי חישוב המרחק בין מילת היעד למילים שמסביב. המחקר מצא שלכל מונח במשפט הייתה השפעה מגוונת על הקוטביות הרגשית של ההצהרה.
מודל למידה עמוקה היברידי המשלב באופן שיטתי גישות הטמעת מילים מרובות (Word2vec,FastText והטמעה ברמת התווים) ומספר שיטות למידה עמוקה (LSTM, GRU, BiLSTM ו-CNN) הוצע על ידי חוקרים ב[19]. +המודל המוצע משיג תכונות על ידי חילוץ שלהן באמצעות שיטות הטמעת מילים שונות, ממזג אותן ומסווג טקסט כחלק.

כדי לאמת את ביצועי המודל המוצע, נבנו מספר רב של מודלים של למידה עמוקה המכונים מודלים סטנדרטיים ושימשו להפעלת סדרת ניסויים. כאשר משווים את הביצועים של המודל המוצע לאלו של מחקר קודם, המודל החדש עולה על המודלים הבסיסיים, על פי ממצאי מחקר זה.

For more information:1950477648nn@gmail.com