Analisi efficiente del sentiment delle recensioni di e-commerce basata sulla memoria a lungo e breve termine, parte 3

4. Risultati

Abbiamo addestrato il nostro modello per circa 10 epoche e calcolato la perdita di addestramento e convalida, nonché l'accuratezza dell'addestramento e della convalida.

La perdita può sembrare un evento inevitabile nella nostra vita, ma il suo impatto sulla nostra salute mentale e sulla nostra memoria può essere profondo.

Innanzitutto, quando subiamo una perdita, è facile lasciarsi prendere dalle emozioni negative. Ciò può includere tristezza, rabbia, ansia e altro ancora. Queste emozioni possono influenzare la nostra salute mentale, lasciandoci esausti, impotenti e delusi. Allo stesso tempo, queste emozioni negative possono anche influenzare la nostra memoria, rendendoci difficile la concentrazione e la nostra memoria diventa offuscata.

Fare clic su Scopri gli integratori per migliorare la memoria

Tuttavia, anche quando subiamo una perdita, possiamo comunque mantenere un atteggiamento positivo e una prospettiva ottimistica, aiutandoci a superare l’impatto delle emozioni negative sulla nostra salute mentale e sulla nostra memoria. Ciò include, tra le altre cose, trascorrere del tempo con amici e familiari, condividere sentimenti, mantenere una dieta e uno stile di vita sani, impegnarsi in esercizio fisico e frequentare la psicoterapia.

Inoltre, possiamo adottare misure proattive per aiutarci a mantenere buoni ricordi durante il processo di perdita. Ciò include concederti del tempo per accettare e adattarti alle nuove situazioni, nonché provare nuove tecniche e strategie di memoria, come costruire associazioni di memoria, ripetere esercizi, usare memory stick, ecc.

Tutto sommato, la perdita ha un impatto negativo sulla nostra salute mentale e sulla nostra memoria, ma possiamo adottare misure proattive per superare questi effetti. Se riusciamo a mantenere un atteggiamento positivo e a concederci un po’ di tempo per adattarci alle nuove situazioni, potremmo essere in grado di ritrovare più facilmente la nostra salute mentale e la nostra memoria e passare di nuovo a una vita migliore. Si può vedere che abbiamo bisogno di migliorare la memoria, e la Cistanche deserticola può migliorare significativamente la memoria perché la Cistanche deserticola è un materiale medicinale tradizionale cinese che ha molti effetti unici, uno dei quali è quello di migliorare la memoria. L'efficacia della carne macinata deriva dai vari principi attivi che contiene, tra cui acidi, polisaccaridi, flavonoidi, ecc. Questi ingredienti possono favorire la salute del cervello in vari modi.

Possiamo vedere dalla Figura 4 che sia la perdita di addestramento che quella di convalida sono diminuite durante l'addestramento del modello. La Figura 5 mostra che l'accuratezza dell'addestramento e della validazione è aumentata successivamente per 10 epoche.

Poiché, dopo la previsione, l'output finale che otteniamo è una probabilità, applichiamo una certa soglia per determinare se i dati appartengono alla classe positiva o negativa. A questo scopo, abbiamo utilizzato la curva ROC che traccia i tassi veri positivi e negativi.

Aiuta a trovare i valori di soglia per un classificatore binario. Dalla nostra curva ROC mostrata nella Figura 6, abbiamo scelto 0.78 come nostra soglia.

+Il modello salvato viene ricaricato e le previsioni sono state generate sui dati del test considerando il valore di soglia sopra menzionato. Ora abbiamo sia il sentiment originale che quello previsto.

Poiché il set di dati è sbilanciato, il parametro migliore per testare il modello sarebbe il punteggio F1 piuttosto che l’accuratezza.

Nella Tabella 4, abbiamo compilato i punteggi di accuratezza, precisione, richiamo e F1 di altri modelli di base e li abbiamo confrontati con il nostro modello. +I modelli di base sono stati presi in considerazione dalla letteratura esaminata per questo esperimento.

5. Conclusione: questo articolo discute l'analisi del sentiment nel contesto delle revisioni dell'e-commerce. Sono state esaminate varie tecniche in precedenza nel campo dell'estrazione di opinioni dalle recensioni.

Il nostro database è composto da recensioni dalla sezione di telefoni cellulari e accessori di Amazon. Le reti di memoria a breve termine sono state utilizzate per classificare il sentiment utilizzando il deep learning. Il nostro set di dati di addestramento personalizzato è stato utilizzato per estrarre le funzionalità incorporate nella tecnica di incorporamento di word2vec. Sulla base della curva ROC, abbiamo determinato che 0.78 è la soglia finale da utilizzare per classificare il sentiment.

Sono stati utilizzati quattro parametri per valutare le prestazioni del nostro modello: accuratezza, precisione, richiamo e punteggio F1. Una precisione del 97% risulta essere il più alto dei quattro parametri.

Poiché il set di dati non è bilanciato, consideriamo il punteggio F1 come la migliore misura delle prestazioni del modello, che produce una valutazione del 93%. Il tentativo principale di questa ricerca è stato quello di testare la funzionalità del modello con una grande quantità di dati. +Questo metodo fornisce buoni risultati anche per dati così grandi di circa 938.261 recensioni. +e Il vantaggio principale dell'utilizzo di questo metodo è che LSTM prende in considerazione la memoria a lungo termine e la stima efficiente di word2vec delle rappresentazioni delle parole che aiutano nell'analisi efficiente dei sentimenti.

Per il lavoro futuro, vorremmo prendere in considerazione l'utilizzo di LSTM bidirezionale per la classificazione del sentiment che addestra due filoni di LSTM, la sequenza di input effettiva e quella inversa. +è potrebbe aiutare a migliorare le prestazioni del modello.

Disponibilità dei dati

+I dati utilizzati per supportare i risultati di questo studio sono disponibili presso l'autore corrispondente su richiesta.

Conflitto di interessi

+e gli autori dichiarano di non avere conflitti di interessi.

Ringraziamenti

+La ricerca è stata finanziata dai ricercatori dell'Università Princess Nourah bint Abdulrahman a sostegno del progetto numero.(PNURSP2022R120), Università Princess Nourah bint Abdulrahman, Riyadh, Arabia Saudita.

Riferimenti

[1] B. Liu, Analisi del sentimento: opinioni, sentimenti ed emozioni minerarie, Cambridge Univ. Stampa, New York, NY, USA, prima edizione, 2015.

[2] P. Balaji, O. Nagaraju e D. Haritha, "March). Livelli di analisi del sentiment e le sue sfide: una revisione della letteratura," in Atti della conferenza internazionale su Big Data Analytics e Computational Intelligence (ICBDAC), pp. 436–439, IEEE, Chirala, India, marzo 2017.

[3] R. Varghese e M. Jayasree, "Un sondaggio sull'analisi del sentiment e sull'estrazione di opinioni", International Journal of RenewableEnergy Technology, vol. 2, n. 11, pagine 312–317, 2013.

[4] C. Sindhu e DS Chandrakala, "Un'indagine sull'estrazione dell'opinione e sulla classificazione della polarità del sentimento", International Journal of Emerging Technology and Advanced Engineering, vol. 3, pagine 531–539, 2013.

[5] A. Jurek, Mulvenna e Y. Bi, "Analisi del sentiment basata sul lessico migliorata per l'analisi dei social media", Security Informatics, vol. 4, n. 1, pag. 9, 2015.

[6] S. Zhang, D. Zhang, H. Zhong e G. Wang, "Un modello multiclassificazione del sentiment per le recensioni di e-commerce", IEEE Access, vol. 8, pagine 189513–189526, 2020.

[7] J. Devlin, M. Chang, K. Lee e K. Toutanova, "BERT: pre-addestramento di trasformatori bidirezionali profondi per la comprensione del linguaggio", in Atti della conferenza NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, pp. 4171 –4186, Minneapolis, Minnesota, giugno 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose e S. Tiwari, "Analisi del sentiment dei set di dati di revisione utilizzando il classificatore naive Bayes andk-nn", 2016,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali e A. Rahman, "Analisi del sentiment sui dati di Twitter utilizzando KNN e SVM", International Journal ofAdvanced Computer Science and Applications, vol. 8, n. 6, pp. 19–25, 2017.

[10] BS Lakshmi, PS Raj e RR Vikram, "Analisi del sentiment utilizzando la tecnica di deep learning CNN con KMeans", International Journal of Pure and Applied Mathematics, vol. 114, n. 11, pagine 47–57, 2017.

[11] Y. Fang, H. Tan e J. Zhang, "Analisi del sentiment multistrategia delle recensioni dei consumatori basata sulla confusione semantica", IEEE Access, vol. 6, pagine 20625–20631, 2018.

[12] B. Shin, T. Lee e JD Choi, "Lexicon ha integrato i modelli CNN con attenzione all'analisi del sentiment", 2016,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com