Analisis Sentimen Berasaskan Ingatan Jangka Pendek Yang Cekap Bagi Ulasan E-Dagang Bahagian 2

Muhammad et al. [20] mempersembahkan model untuk sentimentanilisis dengan menggunakan word2vec dan LSTM untuk ulasan hotel.

Muhammad adalah nabi dan pengasas Islam. Beliau dikenali sebagai seorang yang bijak, bijak, dan bijaksana. Ingatannya sangat kuat, yang menjadikannya sangat berkesan dalam memproses maklumat dan meluahkan fikirannya.

Ingatan Muhammad banyak berkait dengan pendidikan dan pengalamannya. Menurut rekod, dia sering tenggelam dalam pemikiran dan renungan semasa mudanya. Rasa ingin tahu dan dahagakan ilmu ini membantunya membina asas pengetahuan dan keupayaan ingatan yang kukuh.

Selain itu, kecerdasan Muhammad juga memainkan peranan yang besar dalam kebolehan ingatannya. Dia pintar, cerdik, berwawasan, dan mempunyai keupayaan pemikiran logik, yang sangat berfaedah apabila berurusan dengan maklumat yang kompleks. Kelebihan ini membantunya mengurus dan mengawal proses ingatan dengan lebih baik, seterusnya meningkatkan daya ingatannya.

Walau bagaimanapun, ingatan Muhammad bukan semula jadi tetapi bertambah baik melalui kerja keras dan latihan. Dia sering menjalankan latihan ingatan, seperti membaca berulang kali, imlak, dan pertuturan, untuk membantunya memahami dan menguasai ilmu dengan lebih mendalam.

Ingatan Muhammad bukan sekadar bakat semula jadi, ia diperbaiki melalui kerja keras dan latihan. Ini menunjukkan bahawa setiap daripada kita boleh meningkatkan ingatan kita dan meningkatkan kecekapan pembelajaran dan kerja kita melalui pembelajaran dan latihan. Marilah kita, seperti Muhammad, secara aktif bekerja keras untuk terus meningkatkan kemahiran ingatan kita, untuk mencapai kejayaan yang lebih besar dalam hidup dan kerja! Ia boleh dilihat bahawa kita perlu meningkatkan ingatan, dan Cistanche deserticola boleh meningkatkan ingatan dengan ketara, kerana Cistanche deserticola juga boleh mengawal keseimbangan neurotransmitter, seperti meningkatkan tahap asetilkolin dan faktor pertumbuhan. Bahan-bahan ini sangat penting untuk ingatan dan pembelajaran. Selain itu, Daging juga boleh meningkatkan aliran darah dan menggalakkan penghantaran oksigen, yang dapat memastikan otak menerima nutrien dan tenaga yang mencukupi, seterusnya meningkatkan kecergasan dan daya tahan otak.

Klik Tahu untuk meningkatkan ingatan jangka pendek

Untuk kajian ini, data dikumpul dengan merangkak laman web pelancongan menggunakan selenium dan sekerap. +e Tujuan utama eksperimen ini adalah untuk menganalisis ketepatan dengan menukar parameter word2vec dan LSTM. Keputusan +e menunjukkan bahawa ketepatan min 85.96 boleh dicapai menggunakan parameter, yang menunjukkan keputusan yang menjanjikan.

Zhao et al. [21] memperkenalkan teknik baharu untuk menganalisis sentimen pelanggan daripada ulasan di laman web e-dagang. +e teknik dioptimumkan yang dicadangkan "Algoritma Kelawar Improvisasi LocalSearch berasaskan Elman NeuralNetwork (LSIBA-ENN)" melibatkan empat langkah dan mengesan kekutuban dan mengklasifikasikan sentimen ulasan. +e data untuk penyelidikan ini dikumpul dengan menggunakan alat pengikis web pada tapak web e-dagang untuk mengekstrak ulasan pelanggan.

Di samping pramemproses data, kajian ini menggunakan "LogTerm Frequency-based Modified Inverse Class Frequency(LTF-MICF) dan Hybrid Mutation based Earth Warm Algorithm (HMEWA)" untuk pemberatan istilah dan pemilihan ciri. +e metodologi yang dicadangkan mengatasi teknik asas lain dari segi ketepatan ramalan.

Jiang [22] mencadangkan model untuk mengklasifikasikan sentimen ulasan yang diperoleh daripada platform e-dagang Taobao.+e kajian menggunakan algoritma pembelajaran mesin serta mesin vektor sokongan untuk pengelasan dan pengoptimuman kawanan zarah yang lebih baik (IPSO) untuk mengoptimumkan parameter. +e data untuk kajian dikumpul dengan merangkak komen daripada tapak web. +e keputusan eksperimen menunjukkan bahawa pendekatan gabungan SVM danIPSO mempunyai ketepatan yang lebih tinggi. Walau bagaimanapun, majoriti model yang sedia ada mengalami masalah overfitting [23–25], kelajuan penumpuan yang lemah [26–28], dan masalah kecerunan yang hilang [29–31].

3. Kajian Eksperimen

Bahagian +is memberikan gambaran yang jelas tentang metodologi yang digunakan dalam projek untuk klasifikasi sentimen. Teknik +e yang telah digunakan ialah rangkaian Memori Jangka Pendek Panjang, yang digunakan untuk mengklasifikasikan sebilangan besar ulasan Amazondatabase. +embenam yang digunakan ialah word2vec, yang telah dilatih tersuai mengikut pangkalan data.

Menala word2vec mengikut set data meningkatkan prestasi keseluruhan model. +efaedah menggunakan LSTM ialah ia memberikan hasil yang lebih baik walaupun untuk data semakan tidak berstruktur. Ia mampu memperoleh kefungsian berguna untuk sumber yang mengandungi kebergantungan jangka panjang.

+e data dikumpul daripada set data semakan Amazon, yang kemudiannya dipraproses. Pembenaman Word2vec membentuk langkah penting dalam prapemprosesan data. Data kereta api dan ujian telah dibuat. +e data latihan dibahagikan kepada set data kereta api dan pengesahan. +e model word2vec tersuai ialah pangkalan data terlatih. +e vektor ciri diperolehi, yang kemudiannya digunakan sebagai lapisan benam untuk model LSTM.

Keras digunakan untuk membina model jujukan LSTM dengan maxfeatures sama dengan 50,000 dan saiz benam sama dengan 16. +emodel kemudiannya dilatih selama 10 zaman. Model +e diuji berdasarkan metrik prestasi sklearn. +e proses mendapatkan ciri digambarkan dalam Rajah 2.

3.1. Set data. Untuk menjana hasil yang tepat, set data yang digunakan hendaklah besar dan diperkaya. +e set data telah dikumpulkan daripada bahagian telefon bimbit dan aksesori dalam talian set data Ulasan Amazon (2018). Set data +e terdiri daripada sejumlah 938,261 ulasan, antaranya 47901 adalah produk unik dan 153124 adalah ulasan pengguna unik. +e dataset pada mulanya terdiri daripada 7 lajur, iaitu, penilaian yang berbeza daripada 1 hingga 5, masa semakan, ID penyemak, ID produk dan ringkasan teks ulasan.

Selepas menggugurkan pendua, set data terdiri daripada 938254 rekod dan Jadual 2 menunjukkan coretan rekod set data asal.

3.2. Metodologi. Kami telah melatih model word2vec kami untuk digunakan dengan model LSTM untuk pengelasan. Word2vec ialah pembenaman perkataan yang digunakan untuk mewakili perkataan oleh koleksi beberapa istilah vektor. Ia jauh daripada memetakan perkataan ke dalam ruang vektor. +e set data dimuatkan ke dalam bingkai data panda. Untuk membangunkan model customword2vec, langkah pertama ialah prapemprosesan data.

Kami hanya melihat penilaian dan teks ulasan dan lepaskan segala-galanya. Teks +e dibersihkan dengan mengalih keluar tanda baca. Asubsampel teks dibuat daripada hampir 200,000 ulasan dan kaedah teks bersih digunakan untuk menukar setiap ulasan kepada senarai perkataan. +adalah senarai perkataan kini bertindak sebagai input kepada model genism word2vec.

Kami telah membina model word2vec gram langkau terlatih dan membuat model dengan dimensi: saiz vektor perkataan sebagai 100, saiz tetingkap sama dengan 15, min_kiraan 2 untuk perkataan yang muncul kurang daripada 2 kali dalam korpus kami, negatif sama dengan 5, dan kadar persampelan sama dengan 1e−5. Kami telah menggunakan semua dimensi ini untuk membina perbendaharaan kata daripada ayat ulasan kami.

Kami melatih model word2vec kami untuk 1000 zaman. +en kami mengira kerugian pada setiap zaman. +e kerugian adalah tinggi pada permulaan dan ia berkurangan ke arah zaman terakhir. +e kerugian atepoch 0 ialah 2239394.0 dan kerugian pada zaman 1000 ialah 11504.0.+e model yang disimpan kemudian dimuatkan semula dan operasi dilakukan padanya.

Contohnya, jika kami ingin mencari perkataan yang serupa dengan bunyi bising dalam set data kami, kami mendapat pembatalan dan fon kepala.

Begitu juga, kita juga boleh mencari persamaan antara perkataan tertentu seperti fon telinga dan fon kepala iaitu {{0}}.48756, dan persamaan antara wordscharge dan pengecas ialah 0.89264.

Untuk mengurangkan dimensi data kami, kami telah menggunakan visualisasi TSNE untuk memplot data kepada dua dimensi. Kini, vektor perkataan ini boleh digunakan untuk pengelasan selanjutnya. +Pembenaman ini kemudiannya digunakan sebagai ciri untuk penstriman selanjutnya.

3.2.1. Penyediaan Data untuk LSTM. Set data kami mengandungi 938254 rekod dengan kebanyakan ulasan mempunyai taburan skor lebih daripada 3. Kami telah terlebih dahulu mengira bilangan perkataan untuk setiap ulasan. +e purata min digunakansebagai statistik untuk mencari purata panjang ulasan. +e min panjang ulasan ialah 44.59 dan panjang maksimum ialah4303.

Kami telah mencipta set data yang terdiri daripada ulasan yang mempunyai 100 perkataan atau kurang. Ulasan yang panjangnya lebih daripada 20 tetapi kurang daripada 100 dikategorikan di bawah ulasan pendek dan penyimpanan semula dikategorikan di bawah ulasan panjang. +e bilangan semakan pendek ialah 411313 dan ulasan panjang ialah 100239. Hiperparameter yang digunakan dalam model diterangkan dalam Jadual 3.

Seterusnya, kami telah mentakrifkan penarafan sentimen sebagai positif jika penarafan itu lebih besar daripada atau sama dengan 3; jika tidak, penarafan adalah negatif. Kami telah mempertimbangkan teks ulasan dan sentimen untuk mencipta set data kereta api. +e data ujian terdiri daripada produk yang mempunyai sekurang-kurangnya lebih daripada 10 ulasan.

Selepas pengedaran, set data latihan terdiri daripada sejumlah 203891rekod, antaranya 175910 tergolong dalam kelas positif dan 27981 untuk kelas negatif. Dataset ujian +e terdiri daripada jumlah 686345 rekod, antaranya 592118 tergolong dalam kumpulan positif dan 94227 dalam kelas negatif.

Dalam kajian ini, kami telah menggunakan Keras untuk membina model LSTM kami, yang mengambil maksimum 50,000 ciri sebagai input kepada lapisan pembenaman. Memori jangka pendek panjang(LSTM) ialah sejenis rangkaian saraf berulang yang menggunakan mekanisme dalaman yang mengawal aliran maklumat.+adalah mekanisme dalaman terdiri daripada pintu yang perlu dikhianati supaya mereka dapat menapis maklumat yang tidak berkaitan dengan tepat dan mengekalkan maklumat berguna.

Rajah 3 menunjukkan seni bina asas model LSTM dalam metodologi yang dicadangkan kami.

Ht−1 dan Xt ialah input kepada unit LSTM; Ht−1, biasanya dirujuk sebagai ingatan jangka pendek, mengambil output daripada keadaan sebelumnya sebagai input. +e memorycell atau ingatan jangka panjang, Ct −1, membantu dalam membawa maklumat yang berkaitan sepanjang proses urutan. Seni bina +eLSTM menggabungkan tiga get: get forget, inputgate dan output gate. Dalam unit LSTM, tanh dan fungsi sigmoid digunakan untuk mendapatkan get ini.

+e data kereta api kemudiannya dipecahkan kepada data tren dan pengesahan yang sama panjang. +e panjang data dikira sebagai 101945 dan taburan kelas ialah {1: 87955, 0:13990}. Untuk mencipta set data ujian dan pengesahan kereta api TensorFlow, kami perlu menukar data kereta api kami kepada jujukan. Kami telah mengalasnya kepada panjang maksimum 100 supaya semua jujukan mempunyai panjang yang sama. +e kereta api dan label ujian

For more information:1950477648nn@gmail.com