Effiziente, auf dem Langzeitgedächtnis basierende Stimmungsanalyse von E-Commerce-Bewertungen, Teil 1

In der heutigen modernen Zeit schreitet der E-Commerce voran, indem er Waren für jedermann zugänglich macht. Verbraucher müssen nicht einmal ihr Zuhause verlassen, um Dinge zu kaufen, was es für sie sehr bequem macht.

Mit der kontinuierlichen Weiterentwicklung moderner Technologie und der rasanten Entwicklung des E-Commerce ist unser Leben bequemer und effizienter geworden, was sich in gewissem Maße auch auf unser Gedächtnis ausgewirkt hat. Es besteht jedoch tatsächlich ein Zusammenhang zwischen E-Commerce und Erinnerung, und dieser Zusammenhang ist positiv und positiv.

Erstens bietet uns E-Commerce eine bequemere Einkaufsmethode. Wir müssen nicht mehr persönlich ins Einkaufszentrum gehen, um einzukaufen. Mit nur wenigen Mausklicks kann die von uns benötigte Ware per Expressversand zu uns geliefert werden. Diese Art des Einkaufens macht lange Wartezeiten und Gedränge überflüssig und spart uns Zeit und Energie. Mit der Entwicklung des E-Commerce können wir beim Einkaufen intelligentere Technologien wie Voice-Shopping, intelligente Empfehlungen usw. nutzen. Diese Technologien können unser Einkaufen bequemer und effizienter machen.

Zweitens kann uns E-Commerce auch dabei helfen, Informationen und Daten besser zu verwalten, was sich positiv auf unser Gedächtnis und unsere Arbeitseffizienz auswirkt. Wir können Tools wie E-Mail, Cloud-Festplatten und Online-Notizen verwenden, um wichtige Informationen aufzuzeichnen und zu teilen und so unser Gehirn zu entlasten. Diese Tools helfen uns, Informationen besser zu organisieren und zu verwalten und stellen sicher, dass sich unser Gehirn nur auf die wichtigsten Dinge konzentrieren muss. In diesem Fall wird unser Gedächtnis noch trainiert, da wir diese Techniken und Werkzeuge verwenden, um uns an die Informationen zu erinnern, anstatt zu versuchen, sie uns zu merken.

Schließlich kann E-Commerce uns auch beim Lernen und Entwickeln helfen, was sich sehr positiv auf unser Gedächtnis und unsere intellektuelle Entwicklung auswirkt. Durch Online-Kurse, E-Books, Online-Lernplattformen und andere Tools können wir neue Kenntnisse und Fähigkeiten erlernen. Diese Tools ermöglichen es uns, Wissen besser zu verwalten und zu beherrschen, und helfen uns gleichzeitig, unser berufliches und persönliches Leben besser zu entwickeln. Diese Art des Lernens kann unser Denken anregen und unser Gedächtnis und unsere Kreativität verbessern.

Insgesamt besteht zwar ein Zusammenhang zwischen E-Commerce und Erinnerung, dieser ist jedoch positiv und positiv. Wir können E-Commerce nutzen, um unsere Lebensqualität und Arbeitseffizienz zu verbessern, und wir können ihn auch nutzen, um unsere Intelligenz und unser Gedächtnis zu verbessern. Daher sollten wir diese Technologien und Tools aktiv nutzen, um unserem Leben und unserer beruflichen Entwicklung mehr positive Energie zu verleihen. Es ist ersichtlich, dass wir das Gedächtnis verbessern müssen, und Cistanche deserticola kann das Gedächtnis erheblich verbessern, da Cistanche deserticola ein traditionelles chinesisches Arzneimittel ist, das viele einzigartige Wirkungen hat, darunter die Verbesserung des Gedächtnisses. Die Wirksamkeit von Hackfleisch beruht auf den verschiedenen darin enthaltenen Wirkstoffen, darunter Säure, Polysaccharide, Flavonoide usw. Diese Inhaltsstoffe können die Gesundheit des Gehirns auf verschiedene Weise fördern.

Klicken Sie auf 10 Möglichkeiten zur Verbesserung des Gedächtnisses

Darüber hinaus gibt es eine große Auswahl an Marken. Da heutzutage immer mehr Kunden auf Online-Shopping-Plattformen angewiesen sind, steigt auch der Wert von Bewertungen. Um diese Produkte zu kaufen, verlassen sich die Menschen ausschließlich auf die Bewertungen, die über die Produkte abgegeben werden.

Um diese Bewertungen zu analysieren, muss eine Stimmungsanalyse durchgeführt werden, die sich sowohl für Käufer als auch für den Hersteller als nützlich erweisen kann. Dieses Papier beschreibt den Prozess der Stimmungsanalyse und seine Anforderungen.

In diesem Artikel wurde der Amazon Reviewdataset 2018 für die Durchführung unserer Forschung verwendet und Long Short-Term Memory (LSTM) mit der Word2vec-Darstellung kombiniert, was zu einer Verbesserung der Gesamtleistung führte.

Während des Trainingsprozesses verwendete LSTM einen Gating-Mechanismus. Das vorgeschlagene LSTM-Modell wurde anhand von vier Leistungskennzahlen bewertet: Genauigkeit, Präzision, Rückruf und F1score, und erzielte im Vergleich zu anderen Basismodellen insgesamt bessere Ergebnisse.

1. Einleitung

Kommunikation spielt seit jeher eine Schlüsselrolle bei der Förderung sozialer Beziehungen. Heutzutage nutzt fast jeder Teil der Gesellschaft soziale Medien, da sie sich zu einem wirksamen Networking-Tool entwickelt haben. Der Hauptbestandteil der sozialen Medien sind E-Commerce-Websites.

Aufgrund der rasanten Weiterentwicklung der E-Commerce-Technologien entscheidet sich die Mehrheit der Menschen heute für den Online-Kauf. Menschen können soziale Medien nutzen, um Feedback zu verschiedenen Situationen, Artikeln und Ressourcen zu geben, das je nach Erfahrung des Kunden positiv oder negativ sein kann.

Negative Kommentare spielen eine wesentliche Rolle für das Wachstum des Unternehmens, da sie zur Verbesserung der Dienstleistungen beitragen. Hier kommt die Sentimentanalyse ins Spiel.

Die Stimmungsanalyse hilft dabei, die Meinung eines Kunden zu verschiedenen Produkten über Textinformationen preiszugeben und gleichzeitig die geteilten Bewertungen zu bewerten.

Verschiedene Arten von Untersuchungen legen nahe, dass die Stimmungsanalyse im Allgemeinen auf drei Ebenen durchgeführt wird: Satz-, Dokument- und Phrasenebene [1–3]. Die Teilschritte des Prozesses der Stimmungsanalyse sind in Abbildung 1 dargestellt.

Diese Forschung schlägt die Verwendung von LSTM-Netzwerken vor, um eine große Anzahl von Amazon-Bewertungen zu klassifizieren. Diese Deep-Learning-Technik ist schnell und liefert selbst bei einer großen Anzahl von Bewertungen bessere Ergebnisse. Die Studie nutzt die Word2VEC-Einbettung zur effizienten Schätzung von Wortdarstellungen im Vektorraum.

Word2vec liefert bessere Ergebnisse als die Standarddarstellungsmethoden wie Bag of Words oder One-Part-Codierung. Diese Studie konzentriert sich hauptsächlich auf zwei Teile: Effiziente Zuordnung von Stimmungswörtern in den Vektorraum durch das Word2vec-Modell und das LSTM-Netzwerk zur Klassifizierung von Bewertungen.

2. Literaturübersicht

In diesem Bereich finden Sie alle wichtigen Hintergrundarbeiten zum Thema Sentimentanalyse, die für unsere Forschung relevant sind.

Wir haben herausgefunden, dass die meisten früheren Arbeiten maschinelle Lernalgorithmen, Deep-Learning-Algorithmen und ein Stimmungslexikon verwendeten. In Tabelle 1 haben wir die in der Forschung verwendeten Ansätze sowie die Vor- und Nachteile der Ansätze zusammengefasst.

Im Jahr 2013 beobachteten Sindhu und Chandrakala [4] neuere und effiziente Techniken, die zur Untersuchung der Stimmungsanalyse eingesetzt werden, einschließlich der Klassifizierung der Stimmungspolarität und verschiedener Techniken des maschinellen Lernens wie NaiveBayes, Maximum Entropy und Support Vector Machine. Eine Umfrage legt nahe, dass die Stimmungsklassifizierung anhand von zwei Attributen bestimmt werden kann: der Polaritätszuweisung, d.

Jurek et al. [5] stellte ein Modell mit einem lexikonbasierten Sentimentanalysealgorithmus vor, der zwei Schlüsselkomponenten umfasste: eine evidenzbasierte Integrationsfunktion und Sentimentnormalisierung, die Emotionen anstelle einer positiven/negativen Bezeichnung maß und bei der Unterscheidung verschiedener Emotionen half.

Als Datensatz für diese Studie wurde ein öffentlich verfügbarer Twitter-Korpus verwendet, wobei der Schwerpunkt der Studie auf der Echtzeit-Twitter-Inhaltsanalyse lag.

Zhang et al. [6] präsentierte einen Multiklassifizierungsansatz zur Durchführung einer Stimmungsanalyse von E-Commerce-Bewertungen.

Darüber hinaus haben Zhang et al. [6] stellte ein Multiklassifizierungsmodell zur Stimmungsanalyse von E-Commerce-Bewertungen vor. Für die vorgeschlagene Studie wurde der Amazon-Bewertungsdatensatz (2018) verwendet, der auf einem gerichteten gewichteten Problem basierte. In der vorgeschlagenen Studie wurde festgestellt, dass durch die Extraktion von Entitätswörtern mit Merkmalen, die Bewertung von Stimmungsmustern und die Bewertung des kürzesten Pfads zwischen Knoten das Problem der Gefühlsähnlichkeit in ein Problem der Berechnung des kürzesten Pfads umgewandelt werden könnte. Im Vergleich zum BERT-Modell [7] schnitt dieses Modell hinsichtlich der CPU-Zeit des Algorithmus besser ab.

Dey et al. [8] untersuchten die Algorithmen für maschinelles Lernen, K-NN und Naive Bayes, anhand von drei Bewertungsmetriken. +eDer Naive-Bayes-Klassifikator übertraf in seiner Arbeit den K-NN-Klassifikator.

Forscher in [9] stellten ein Stimmungsklassifizierungsmodell mit zwei Techniken vor. Beim ersten vorgeschlagenen Ansatz verwendete der Sentiment-Klassifizierungsalgorithmus den K-NN-Klassifikator und im anderen wurde der Support-Vector-Machine-Algorithmus verwendet. Die Effizienz des Klassifizierungsalgorithmus wurde anhand realer Tweets validiert. Die erhaltenen Ergebnisse zeigten, dass der Stimmungsklassifizierungsalgorithmus SVM bei der experimentellen Validierung übertraf.

In [10] wurde ein Vergleich überwachter und unüberwachter Lernmethoden vorgestellt. Ihre Arbeit lieferte eine vergleichende Analyse überwachter (CNN und KNN) und unbeaufsichtigter (CNN mit K bedeutet Clustering) Lernalgorithmen.

Fang et al. [11] führte eine Multisentiment-Analysetechnik ein, die stark die Fuzzy-Set-Theorie, die Theorie des maschinellen Lernens und eine auf einem Polaritätslexikon basierende Methode einbezieht. Anschließend wurden Verbraucherrezensionen mit diesem Hybridmodell analysiert.

Für diese Studie wurden Naive Bayes- und SVM-Algorithmen verwendet. Das erweiterte SVM-Modell, also eine Hybridmethode, die eine Multistrategie-Stimmungsanalyse mit der SVM kombiniert, war viel erfolgreicher und ergab eine Genauigkeit von 86,35 %.

Darüber hinaus wurde bei der Implementierung des aktualisierten Naive Bayes eine Steigerung der Genauigkeit um 3,8 % beobachtet. Darüber hinaus präsentierten Forscher in [12] eine Möglichkeit, lexikalische Einbettungen und einen Aufmerksamkeitsmechanismus in CNN zu integrieren. +edataset wurde mithilfe von Tweets erstellt. Die +e-Methode wurde anhand des F1-Scores bewertet. + Die vorgeschlagenen Arbeiten erbrachten eine bessere Leistung als die vorliegenden.

Ein auf einem rekursiven neuronalen Netzwerk (RNN) basierendes Empfehlungssystem (RDSA) wurde von Preethi et al. eingeführt.[13]

Deep Learning wurde zur Optimierung von Vorschlägen eingesetzt, die sich auf die Stimmungsanalyse konzentrierten, und wurde in dieser Studie anhand von drei separaten Bewertungen durchgeführt.

Zunächst wurden Datensätze untersucht und ihre statistischen Aspekte beobachtet, bevor der Naive Bayes-Klassifikator und das RNN implementiert wurden. Die Ergebnisse der Versuche zeigten, dass die Verwendung von RNN, einem tiefen neuronalen Netzwerk, die Genauigkeit der Stimmungsanalyse steigerte, zu präziseren Vorschlägen für Benutzer führte und die Auswahl einer bestimmten Position abhängig von den Anforderungen der Benutzer unterstützte.

Darüber hinaus schlugen Forscher in [14] die Verwendung einer Giniindex-basierten Merkmalsauswahl und eines SVM-Klassifikators zur Kategorisierung von Daten vor. Der +e-Datensatz für diese Studie war eine große Sammlung von Filmkritiken.

Basierend auf den Ergebnissen der Experimente wurde festgestellt, dass die vorgeschlagene Methode weniger genau ist als andere Methoden. Ein Gated RNN mit Inter-Opinion-Verbindungen wurde von Chen et al. eingeführt. [15]. +isapproach hatte eine Genauigkeit von etwa 92,6 %.

Zur Klassifizierung wurde in [16] eine bidirektionale Gated Recurrent Unit (BiGRU) gepaart mit einem Aufmerksamkeitsmechanismus vorgeschlagen. Dieser Ansatz erwies sich für Klassifizierungsaufgaben als effektiv und lieferte mit einer Genauigkeit von 93,1 % bessere Ergebnisse als zuvor verwendete Methoden. Ein Ersatz-Sentiment-Analysemodell, das CNN und das aufmerksamkeitsbasierte BiGRU einbezieht, wurde von Forschern in [17] vorgeschlagen.

Durch die Integration der Vorteile des Sentiment-Lexikons mit der Deep-Learning-Technologie werden Mängel im traditionellen Sentiment-Analysemodell für Produktbewertungen ausgeglichen. +e sentimentlexicon unterstützt die Stimmungsattribute, die in den Rezensionen gefunden werden, und CNN extrahiert in Verbindung mit dem Gated RecurrentUnit-Netzwerk wichtige Stimmungsmerkmale und Kontextelemente. +e vorgeschlagenes Modell ergab in der experimentellen Analyse eine Genauigkeit von 93,5 %, die höher war als die NB-, SVM- und CNN-Modelle. Hyun et al. [18] schlug ein Faltungsmodell für neuronale Netzwerke vor, das auf der Zielabhängigkeit basiert. Die empfohlene Methode hilft bei der Beurteilung der Auswirkung der umgebenden Wörter auf das Zielwort, indem der Abstand zwischen dem Zielwort und den umgebenden Wörtern berechnet wird. Ihre Studie ergab, dass jeder Begriff in einem Satz einen unterschiedlichen Einfluss auf die emotionale Polarität der Aussage hatte.
Ein hybrides Deep-Learning-Modell, das systematisch mehrere Ansätze zur Worteinbettung (Word2vec, FastText und Einbettung auf Zeichenebene) und mehrere Deep-Learning-Methoden (LSTM, GRU, BiLSTM und CNN) integriert, wurde von Forschern in [19] vorgeschlagen. Das vorgeschlagene Modell erhält Merkmale, indem es sie mithilfe verschiedener Worteinbettungsmethoden extrahiert, sie zusammenführt und Text als Persentiment klassifiziert.

Um die Leistung des vorgeschlagenen Modells zu validieren, wurden zahlreiche Deep-Learning-Modelle, sogenannte Standardmodelle, erstellt und zur Durchführung einer Reihe von Experimenten verwendet. Wenn man die Leistung des vorgeschlagenen Modells mit der früherer Forschung vergleicht, übertrifft das neue Modell laut den Ergebnissen dieser Studie die Basismodelle.

For more information:1950477648nn@gmail.com