Ефективний довготривалий короткостроковий аналіз настроїв оглядів електронної комерції на основі пам’яті. Частина 2

Мухаммед та ін. [20] представили модель для аналізу сентиментів за допомогою word2vec і LSTM для відгуків про готелі.

Мухаммед - пророк і засновник ісламу. Він відомий як мудрий, мудрий і мудрий чоловік. Його пам'ять дуже потужна, що робить його дуже ефективним у обробці інформації та висловленні думок.

Пам'ять про Мухаммеда багато в чому залежить від його освіти та досвіду. Як свідчать записи, в юності він часто був занурений у роздуми та роздуми. Ця допитливість і жага до знань допомогли йому створити міцну базу знань і пам’ять.

Крім того, інтелект Мухаммеда також відігравав велику роль у його пам'яті. Він розумний, дотепний, проникливий і має здібності до логічного мислення, що дуже корисно при роботі зі складною інформацією. Ця перевага допомогла йому краще керувати процесом пам’яті та контролювати його, тим самим покращивши його пам’ять.

Однак пам'ять Мухаммада не була вродженою, а вдосконалювалась завдяки наполегливій праці та вправам. Він часто проводить тренування пам’яті, такі як багаторазове читання, диктування та мовлення, щоб допомогти йому зрозуміти та глибше засвоїти знання.

Пам'ять Мухаммеда була не просто природним талантом, її вдосконалювали наполегливою працею та практикою. Це свідчить про те, що кожен із нас може покращити свою пам’ять і підвищити ефективність навчання та роботи за допомогою навчання та практики. Давайте, як Мухаммад, активно працювати над безперервним удосконаленням нашої пам'яті, щоб досягати більших успіхів у житті та роботі! Видно, що нам потрібно покращити пам’ять, і Cistanche deserticola може значно покращити пам’ять, оскільки Cistanche deserticola також може регулювати баланс нейромедіаторів, наприклад підвищувати рівень ацетилхоліну та факторів росту. Ці речовини дуже важливі для пам'яті та навчання. Крім того, м’ясо також може покращити кровообіг і сприяти доставці кисню, що може гарантувати, що мозок отримує достатню кількість поживних речовин і енергії, тим самим покращуючи життєздатність і витривалість мозку.

Натисніть Знати, щоб покращити короткочасну пам'ять

Для цього дослідження дані були зібрані шляхом сканування веб-сайту подорожей за допомогою селену та брухту. +e Головною метою цього експерименту був аналіз точності шляхом зміни параметрів word2vec і LSTM. +e Результати показали, що середня точність 85,96 може бути досягнута за допомогою параметрів, які показали обнадійливі результати.

Чжао та ін. [21] представили нову методику аналізу настроїв клієнтів за відгуками на веб-сайтах електронної комерції. +e запропонована оптимізована техніка «імпровізований алгоритм LocalSearch Bat на основі нейронної мережі Elman (LSIBA-ENN)» включає чотири етапи та визначає полярність і класифікує настрої відгуків. Дані +e для цього дослідження були зібрані за допомогою інструменту веб-скрапінгу на веб-сайтах електронної комерції для отримання відгуків клієнтів.

Окрім попередньої обробки даних, у цьому дослідженні використовується «LogTerm Frequency-based Modified Inverse Class Frequency (LTF-MICF) and Earth Warm Algorithm (HMEWA)» на основі гібридних мутацій» для зважування термінів і вибору ознак. +e запропонована методологія перевершила інші базові методи з точки зору точності прогнозування.

Jiang [22] запропонував модель для класифікації настроїв відгуків, отриманих з платформи електронної комерції Taobao. У дослідженні використовується алгоритм машинного навчання, а також машина опорних векторів для класифікації та вдосконалена оптимізація рою частинок (IPSO) для оптимізації параметрів. +e дані для дослідження були зібрані шляхом сканування коментарів із веб-сайту. Експериментальні результати показали, що комбінований підхід SVM та IPSO має вищу точність. Однак більшість існуючих моделей страждають від надмірного пристосування [23–25], поганої швидкості конвергенції [26–28] і проблем із зникаючим градієнтом [29–31].

3. Експериментальне дослідження

Розділ +is дає чіткий огляд методології, яка використовується в проекті для класифікації настроїв. Техніка +e, яка була використана, це мережа довготривалої короткочасної пам’яті, яка використовується для класифікації великої кількості оглядів бази даних Amazon. Використовується вбудовування +e word2vec, яке було спеціально навчено відповідно до бази даних.

Налаштування word2vec відповідно до набору даних покращує загальну продуктивність моделі. + Перевагою використання LSTM є те, що він дає кращі результати навіть для неструктурованих даних огляду. Він здатний отримати корисну функціональність для ресурсів, які містять довгострокові залежності.

Дані +e збираються з оглядового набору даних Amazon, який потім попередньо обробляється. Вбудовування Word2vec є важливим кроком у попередній обробці даних. Було створено навчальні та тестові дані. Дані навчання +e розділені на набори даних навчання та перевірки. +e спеціальна модель word2vec навчається для бази даних. Отримується вектор ознак +e, який потім використовується як шар вбудовування для моделі LSTM.

Keras використовується для побудови послідовної моделі LSTM з максимальними функціями, що дорівнюють 50,000, і розміром вбудовування, що дорівнює 16. Потім +модель навчається протягом 10 епох. Модель +e протестовано на основі показників продуктивності sklearn. + Процес отримання функцій зображено на малюнку 2.

3.1. Набір даних. Щоб отримати точні результати, використовуваний набір даних має бути великим і збагаченим. Набір даних +e було зібрано з розділу мобільних телефонів і аксесуарів онлайн набору даних Amazon Reviews (2018). Набір даних +e складається з 938 261 відгуків, серед яких 47 901 унікальних продуктів і 153 124 унікальних відгуків користувачів. Набір даних +e спочатку складається з 7 стовпців, а саме рейтингу, який варіюється від 1 до 5, часу перегляду, ідентифікатора рецензента, ідентифікатора продукту та короткого опису тексту відгуку.

Після видалення дублікатів набір даних складається з 938254 записів, а в таблиці 2 показано фрагмент вихідних записів набору даних.

3.2. Методологія. Ми спеціально навчили нашу модель word2vec для використання з моделлю LSTM для класифікації. Word2vec — це вбудоване слово, яке використовується для представлення слова набором кількох термінів вектора. Це не відображення слова у векторному просторі. +e набір даних завантажується у фрейм даних pandas. Для розробки моделі customword2vec першим кроком є ​​попередня обробка даних.

Ми лише дивимося на рейтинг і текст рецензії та відкидаємо все інше. +e текст очищається шляхом видалення розділових знаків. Підвибірка тексту створюється з близько 200 000 рецензій, а метод чистого тексту використовується для перетворення кожного рецензії на список слів. Список слів +is тепер діє як вхідні дані для моделі genism word2vec.

Ми створили спеціально навчену модель word2vecmodel skip-gram і створили екземпляр моделі з розмірами: розмір векторів слів – 100, розмір вікна – 15, min_рахунок 2 для слів, які з’являються менше ніж 2 рази в нашому корпусі, від'ємне значення дорівнює 5, а частота дискретизації дорівнює 1e−5. Ми використали всі ці параметри, щоб створити словниковий запас із речень для огляду.

Ми тренуємо нашу модель word2vec протягом 1000 епох. +en ми обчислюємо втрати в кожній епосі. +e втрати великі на початку і зменшуються до останньої епохи. +e втрата в епоху 0 становить 2239394,0, а втрата в епоху 1000 становить 11504,0.+e збережена модель потім перезавантажується, і над нею виконуються операції.

Наприклад, якщо ми хочемо знайти слова, схожі на шум у нашому наборі даних, ми отримаємо скасування та навушники.

Подібним чином ми також можемо знайти подібність між певними словами, такими як навушники та навушники, яка становить {{0}}.48756, а подібність між словами заряджання та зарядний пристрій становить 0,89264.

Щоб зменшити розміри наших даних, ми використали візуалізацію TSNE для побудови даних у двох вимірах. Тепер ці вектори слів можна використовувати для подальшої класифікації. +ці вбудовування потім використовуються як функції для подальшого потокового передавання.

3.2.1. Підготовка даних для LSTM. Наш набір даних складається з 938254 записів, причому більшість оглядів мають розподіл балів більше 3. Спочатку ми підрахували кількість слів для кожного огляду. +e середнє значення використовується як статистика для визначення середньої тривалості оглядів. +e середня довжина огляду становить 44,59, а максимальна довжина – 4303.

Ми створили набір даних, що складається з відгуків, що мають 100 слів або менше. Відгуки, довжина яких перевищує 20, але менше 100, класифікуються як короткі огляди, а повторні – як довгі. Кількість коротких оглядів +e становить 411313, а довгих – 100239. Гіперпараметри, які використовуються в моделі, описані в таблиці 3.

Далі ми визначили рейтинг настрою як позитивний, якщо рейтинг більше або дорівнює 3; інакше оцінка негативна. Ми врахували текст огляду та настрої для створення набору даних про поїзд. Дані тестування +e складаються з продуктів, які мають принаймні більше 10 відгуків.

Після розподілу навчальний набір даних складався з 203891 запису, серед яких 175910 належали до позитивного класу та 27981 до негативного класу. Набір тестових даних +e складався з 686345 записів, серед яких 592118 належали до позитивного та 94227 до негативного класу.

У цьому дослідженні ми використовували Keras для створення нашої моделі LSTM, яка приймає максимум 50 000 функцій як вхідні дані для рівня вбудовування. Довга короткочасна пам’ять (LSTM) — це тип рекурентної нейронної мережі, яка використовує внутрішній механізм, що регулює потік інформації. Цей внутрішній механізм складається зі воріт, які потрібно навчити, щоб вони могли точно відфільтрувати нерелевантну інформацію та зберегти корисну інформацію.

На малюнку 3 показано базову архітектуру моделі LSTM у запропонованій нами методології.

Ht−1 і Xt є вхідними даними для блоку LSTM; Ht−1, яку зазвичай називають короткочасною пам'яттю, приймає вихідні дані з попередніх станів як вхідні дані. +e memorycell або довготривала пам'ять, Ct −1, допомагає переносити відповідну інформацію протягом усього процесу послідовності. Архітектура +eLSTM поєднує три шлюзи: шлюз забуття, вхідний шлюз і вихідний шлюз. В одиниці LSTM функції tanh і sigmoid використовуються для отримання цих вентилів.

Потім дані поїзда +e були розділені на дані поїзда та перевірки однакової довжини. +e довжина даних була розрахована як 101945, а розподіл класів був {1: 87955, 0:13990}. Щоб створити набори даних для тестування та перевірки потягу TensorFlow, нам потрібно перетворити дані про потяг у послідовності. Ми додали їх до максимальної довжини 100, щоб усі послідовності були однакової довжини. +e тренувальні та тестові етикетки

For more information:1950477648nn@gmail.com