Analisis Sentimen Berasaskan Ingatan Jangka Pendek Yang Cekap Bagi Ulasan E-Dagang Bahagian 3

4. Keputusan

Kami melatih model kami selama kira-kira 10 zaman dan mengira kehilangan latihan dan pengesahan serta latihan dan ketepatan pengesahan.

Kehilangan mungkin kelihatan seperti peristiwa yang tidak dapat dielakkan dalam hidup kita, tetapi kesannya terhadap kesihatan mental dan ingatan kita boleh menjadi sangat mendalam.

Pertama, apabila kita mengalami kerugian, mudah terperangkap dalam emosi negatif. Ini mungkin termasuk kesedihan, kemarahan, kebimbangan dan banyak lagi. Emosi ini boleh menjejaskan kesihatan mental kita, membuatkan kita berasa letih, tidak berdaya, dan kecewa. Pada masa yang sama, emosi negatif ini juga boleh menjejaskan daya ingatan kita, menyebabkan kita sukar untuk menumpukan perhatian dan ingatan kita menjadi kabur.

Klik tahu suplemen untuk meningkatkan ingatan

Walau bagaimanapun, walaupun kita mengalami kehilangan, kita masih boleh mengekalkan sikap positif dan perspektif optimis, membantu kita mengatasi kesan emosi negatif terhadap kesihatan mental dan ingatan kita. Ini termasuk meluangkan masa dengan rakan dan keluarga, berkongsi perasaan, mengekalkan diet dan gaya hidup yang sihat, melibatkan diri dalam senaman fizikal, dan menghadiri psikoterapi, antara lain.

Selain itu, kita boleh mengambil langkah proaktif untuk membantu diri kita mengekalkan ingatan yang baik semasa proses kehilangan. Ini termasuk memberi diri anda sedikit masa untuk menerima dan menyesuaikan diri dengan situasi baharu, serta mencuba teknik dan strategi ingatan baharu, seperti membina persatuan ingatan, mengulang latihan, menggunakan kayu memori, dsb.

Secara keseluruhannya, kehilangan memang menjejaskan kesihatan mental dan ingatan kita, tetapi kita boleh mengambil langkah proaktif untuk mengatasi kesan ini. Jika kita dapat mengekalkan sikap positif dan memberi diri kita sedikit masa untuk menyesuaikan diri dengan situasi baharu, kita mungkin boleh mendapatkan semula kesihatan mental dan ingatan dengan lebih mudah dan meneruskan kehidupan yang lebih baik semula. Ia dapat dilihat bahawa kita perlu meningkatkan daya ingatan, dan Cistanche deserticola boleh meningkatkan daya ingatan dengan ketara kerana Cistanche deserticola adalah bahan perubatan tradisional Cina yang mempunyai banyak kesan unik, salah satunya adalah untuk meningkatkan daya ingatan. Keberkesanan daging cincang berasal dari pelbagai bahan aktif yang terkandung di dalamnya, termasuk asid, polisakarida, flavonoid, dll. Bahan-bahan ini boleh menggalakkan kesihatan otak dalam pelbagai cara.

Kita boleh lihat daripada Rajah 4 bahawa kedua-dua kehilangan latihan dan pengesahan menurun sepanjang latihan model. Rajah 5 menunjukkan bahawa latihan dan ketepatan pengesahan meningkat seterusnya selama 10 zaman.

Oleh kerana, selepas ramalan, keluaran akhir yang kami perolehi ialah kebarangkalian, kami menggunakan ambang tertentu untuk menentukan sama ada data itu tergolong dalam kelas positif atau negatif. Untuk tujuan ini, kami telah menggunakan keluk ROC yang memplotkan kadar positif dan negatif benar.

Ia membantu mencari nilai ambang untuk pengelas binari. Daripada lengkung ROC kami yang ditunjukkan dalam Rajah 6, kami telah memilih 0.78 sebagai ambang kami.

+e model yang disimpan dimuatkan semula dan ramalan telah dijana pada data ujian dengan mengambil kira nilai ambang yang dinyatakan di atas. Sekarang kita mempunyai sentimen asal serta sentimen yang diramalkan.

Memandangkan set data tidak seimbang, parameter yang lebih baik untuk menguji model ialah skor F1 dan bukannya ketepatan.

Dalam Jadual 4, kami telah mengumpulkan skor ketepatan, ketepatan, ingatan semula dan F1 model garis dasar lain dan membandingkannya dengan model kami. +e model garis dasar telah dipertimbangkan daripada literatur yang kami semak untuk eksperimen ini.

5. Kesimpulan+adalah kertas membincangkan analisis sentimen dalam konteks ulasan e-dagang. Terdapat pelbagai teknik yang ditinjau sebelum ini dalam bidang perlombongan pendapat ulasan.

Pangkalan data kami terdiri daripada ulasan daripada bahagian telefon bimbit dan aksesori Amazon. Rangkaian Memori Jangka Pendek Panjang telah digunakan untuk mengklasifikasikan sentimen menggunakan pembelajaran mendalam. Set data latihan tersuai kami telah digunakan untuk mengekstrak ciri yang dibenamkan dalam teknik penyematan word2vec. Berdasarkan keluk ROC, kami menentukan bahawa 0.78adalah ambang terakhir yang harus kami gunakan untuk mengklasifikasikan sentimen.

Empat parameter telah digunakan untuk menilai prestasi model kami: ketepatan, ketepatan, ingat semula dan skor F1. Ketepatan 97% didapati paling tinggi daripada empat parameter.

Oleh kerana set data tidak seimbang, kami menganggap F1score sebagai ukuran terbaik prestasi model, yang menghasilkan penilaian sebanyak 93%. Percubaan utama penyelidikan ini adalah untuk menguji kefungsian model dengan jumlah data yang besar. Kaedah +is memberikan hasil yang baik walaupun untuk data yang begitu besar iaitu kira-kira 938,261 ulasan. +e Kelebihan utama menggunakan kaedah ini ialah LSTM mengambil kira ingatan jangka panjang dan word2vec anggaran cekap perwakilan perkataan yang membantu dalam analisis sentimen yang cekap.

Untuk kerja masa hadapan, kami ingin mempertimbangkan untuk menggunakan LSTM dwiarah untuk klasifikasi sentimen yang melatih dua helai LSTM, urutan input sebenar dan yang sebaliknya. +ia mungkin membantu meningkatkan prestasi model.

Ketersediaan Data

+e data yang digunakan untuk menyokong penemuan kajian ini boleh didapati daripada pengarang yang berkaitan atas permintaan.

Konflik Kepentingan

+e pengarang mengisytiharkan bahawa mereka tidak mempunyai konflik kepentingan.

Ucapan terima kasih

+adalah penyelidikan dibiayai oleh nombor Projek Sokongan Penyelidik Universiti Puteri Nourah binti Abdulrahman.(PNURSP2022R120), Universiti Puteri Nourah binti Abdulrahman, Riyadh, Arab Saudi.

Rujukan

[1] B. Liu, Analisis Sentimen: Pendapat Perlombongan, Sentimen dan Emosi, Cambridge Univ. Press, New York, NY, USA, 1stedition, 2015.

[2] P. Balaji, O. Nagaraju, dan D. Haritha, "Mac). Tahap analisis sentimen dan cabarannya: kajian literatur," dalam Proceedings of the International Conference on Big DataAnalytics and Computational Intelligence (ICBDAC), hlm. 436–439, IEEE, Chirala, India, Mac 2017.

[3] R. Varghese dan M. Jayasree, "Satu tinjauan mengenai analisis sentimen dan perlombongan pendapat," International Journal of RenewableEnergy Technology, vol. 2, tidak. 11, hlm. 312–317, 2013.

[4] C. Sindhu dan DS Chandrakala, "Satu tinjauan tentang perlombongan pendapat dan klasifikasi polariti sentimen," Jurnal Antarabangsa Teknologi Baru Muncul dan Kejuruteraan Lanjutan, vol. 3, hlm. 531–539, 2013.

[5] A. Jurek, Mulvenna, dan Y. Bi, "Analisis sentimen berasaskan leksikon yang dipertingkatkan untuk analitik media sosial," Security Informatics, vol. 4, tidak. 1, hlm. 9, 2015.

[6] S. Zhang, D. Zhang, H. Zhong, dan G. Wang, "Model sentimen multiklasifikasi untuk ulasan E-dagang," Akses IEEE, vol. 8, hlm. 189513–189526, 2020.

[7] J. Devlin, M. Chang, K. Lee, dan K. Toutanova, "BERT: pralatihan pengubah dua arah dalam untuk pemahaman bahasa," dalam Prosiding Persidangan NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, ms 4171 –4186, Minneapolis, Minnesota, Jun 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose, dan S. Tiwari,"Analisis sentimen set data semakan menggunakan pengelas Bayes andk-nn naif," 2016,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali, dan A. Rahman, "Analisis sentimen pada data Twitter menggunakan KNN dan SVM," International Journal of Advanced Computer Science and Applications, vol. 8, tidak. 6, ms. 19–25, 2017.

[10] BS Lakshmi, PS Raj, dan RR Vikram, "Analisis sentimen menggunakan teknik pembelajaran mendalam CNN dengan KMeans," International Journal of Pure and Applied Mathematics, vol. 114,no. 11, ms. 47–57, 2017.

[11] Y. Fang, H. Tan, dan J. Zhang, "Sentimenanalisis berbilang strategi ulasan pengguna berdasarkan kekaburan semantik," Akses IEEE, vol. 6, ms. 20625–20631, 2018.

[12] B. Shin, T. Lee, dan JD Choi, "Lexicon mengintegrasikan model CNN dengan perhatian untuk analisis sentimen," 2016,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com