Αποτελεσματική, μακροπρόθεσμη, βραχυπρόθεσμη ανάλυση συναισθήματος των κριτικών ηλεκτρονικού εμπορίου, Μέρος 3

4. Αποτελέσματα

Εκπαιδεύσαμε το μοντέλο μας για περίπου 10 εποχές και υπολογίσαμε την απώλεια εκπαίδευσης και επικύρωσης καθώς και την ακρίβεια εκπαίδευσης και επικύρωσης.

Η απώλεια μπορεί να φαίνεται ως ένα αναπόφευκτο γεγονός στη ζωή μας, αλλά ο αντίκτυπός της στην ψυχική υγεία και τη μνήμη μας μπορεί να είναι βαθύς.

Πρώτον, όταν βιώνουμε μια απώλεια, είναι εύκολο να παγιδευτούμε σε αρνητικά συναισθήματα. Αυτό μπορεί να περιλαμβάνει θλίψη, θυμό, άγχος και άλλα. Αυτά τα συναισθήματα μπορούν να επηρεάσουν την ψυχική μας υγεία, αφήνοντάς μας να νιώθουμε εξαντλημένοι, ανίσχυροι και απογοητευμένοι. Ταυτόχρονα, αυτά τα αρνητικά συναισθήματα μπορούν επίσης να επηρεάσουν τη μνήμη μας, δυσκολεύοντας τη συγκέντρωση και τη μνήμη μας θολή.

Κάντε κλικ στα συμπληρώματα γνώσης για να βελτιώσετε τη μνήμη

Ωστόσο, ακόμη και όταν βιώνουμε απώλεια, μπορούμε να διατηρήσουμε μια θετική στάση και αισιόδοξη προοπτική, βοηθώντας μας να ξεπεράσουμε τον αντίκτυπο των αρνητικών συναισθημάτων στην ψυχική υγεία και τη μνήμη μας. Αυτό περιλαμβάνει αφιέρωμα χρόνου με φίλους και οικογένεια, ανταλλαγή συναισθημάτων, διατήρηση υγιεινής διατροφής και τρόπου ζωής, σωματική άσκηση και παρακολούθηση ψυχοθεραπείας, μεταξύ άλλων.

Επιπλέον, μπορούμε να λάβουμε προληπτικά μέτρα για να βοηθήσουμε τους εαυτούς μας να διατηρήσουμε καλές αναμνήσεις κατά τη διαδικασία απώλειας. Αυτό περιλαμβάνει να αφιερώσετε λίγο χρόνο στον εαυτό σας για να αποδεχτεί και να προσαρμοστεί σε νέες καταστάσεις, καθώς και να δοκιμάσει νέες τεχνικές και στρατηγικές μνήμης, όπως δημιουργία συσχετισμών μνήμης, επανάληψη ασκήσεων, χρήση memory stick κ.λπ.

Συνολικά, η απώλεια επηρεάζει την ψυχική υγεία και τη μνήμη μας, αλλά μπορούμε να λάβουμε προληπτικά μέτρα για να ξεπεράσουμε αυτές τις επιπτώσεις. Εάν μπορούμε να διατηρήσουμε μια θετική στάση και να δώσουμε λίγο χρόνο στον εαυτό μας για να προσαρμοστεί σε νέες καταστάσεις, ίσως μπορέσουμε να ανακτήσουμε πιο εύκολα την ψυχική υγεία και τη μνήμη μας και να προχωρήσουμε ξανά σε μια καλύτερη ζωή. Μπορεί να φανεί ότι πρέπει να βελτιώσουμε τη μνήμη και το Cistanche deserticola μπορεί να βελτιώσει σημαντικά τη μνήμη, επειδή το Cistanche deserticola είναι ένα παραδοσιακό κινέζικο φαρμακευτικό υλικό που έχει πολλά μοναδικά αποτελέσματα, ένα από τα οποία είναι η βελτίωση της μνήμης. Η αποτελεσματικότητα του κιμά προέρχεται από τα διάφορα ενεργά συστατικά που περιέχει, όπως οξύ, πολυσακχαρίτες, φλαβονοειδή κ.λπ. Αυτά τα συστατικά μπορούν να προάγουν την υγεία του εγκεφάλου με διάφορους τρόπους.

Μπορούμε να δούμε από το Σχήμα 4 ότι τόσο η απώλεια εκπαίδευσης όσο και η απώλεια επικύρωσης μειώθηκαν κατά τη διάρκεια της εκπαίδευσης του μοντέλου. Το Σχήμα 5 δείχνει ότι η ακρίβεια εκπαίδευσης και επικύρωσης αυξήθηκε στη συνέχεια για 10 εποχές.

Εφόσον, μετά την πρόβλεψη, η τελική έξοδος που παίρνουμε είναι η πιθανότητα, εφαρμόζουμε ένα συγκεκριμένο όριο για να προσδιορίσουμε αν τα δεδομένα ανήκουν στη θετική ή αρνητική κατηγορία. Για το σκοπό αυτό, χρησιμοποιήσαμε την καμπύλη ROC που απεικονίζει τα αληθώς θετικά και αρνητικά ποσοστά.

Βοηθά στην εύρεση των τιμών κατωφλίου για έναν δυαδικό ταξινομητή. Από τις καμπύλες ROC που εμφανίζονται στο Σχήμα 6, επιλέξαμε το 0.78 ως κατώφλι μας.

Το αποθηκευμένο μοντέλο +e φορτώνεται ξανά και έχουν δημιουργηθεί προβλέψεις στα δεδομένα δοκιμής λαμβάνοντας υπόψη την προαναφερθείσα τιμή κατωφλίου. Τώρα έχουμε το αρχικό συναίσθημα καθώς και το προβλεπόμενο συναίσθημα.

Δεδομένου ότι το σύνολο δεδομένων είναι ανισορροπημένο, η καλύτερη παράμετρος για τη δοκιμή του μοντέλου θα ήταν η βαθμολογία F1 παρά η ακρίβεια.

Στον Πίνακα 4, έχουμε συγκεντρώσει τις βαθμολογίες ακρίβειας, ακρίβειας, ανάκλησης και F1 άλλων μοντέλων βασικής γραμμής και τις συγκρίνουμε με το μοντέλο μας. Τα βασικά μοντέλα +e εξετάστηκαν από τη βιβλιογραφία που εξετάσαμε για αυτό το πείραμα.

5. Συμπέρασμα+είναι το έγγραφο που εξετάζει την ανάλυση συναισθήματος στο πλαίσιο των ανασκοπήσεων του ηλεκτρονικού εμπορίου. Έχουν γίνει διάφορες τεχνικές που έχουν ερευνηθεί προηγουμένως στο πεδίο της εξόρυξης γνώμης των κριτικών.

Η βάση δεδομένων μας αποτελείται από κριτικές από την ενότητα κινητών τηλεφώνων και αξεσουάρ της Amazon. Τα δίκτυα μακράς βραχυπρόθεσμης μνήμης χρησιμοποιήθηκαν για την ταξινόμηση του συναισθήματος χρησιμοποιώντας τη βαθιά μάθηση. Το προσαρμοσμένο σύνολο δεδομένων εκπαίδευσης χρησιμοποιήθηκε για την εξαγωγή των χαρακτηριστικών που είναι ενσωματωμένες στο word2vec embeddingtechnique. Με βάση την καμπύλη ROC, προσδιορίσαμε ότι το 0.78είναι το τελικό όριο που πρέπει να χρησιμοποιήσουμε για την ταξινόμηση του συναισθήματος.

Τέσσερις παράμετροι έχουν χρησιμοποιηθεί για την αξιολόγηση της απόδοσης του μοντέλου μας: ακρίβεια, ακρίβεια, ανάκληση και βαθμολογία F1. Η ακρίβεια 97% βρέθηκε να είναι η υψηλότερη από τις τέσσερις παραμέτρους.

Καθώς το σύνολο δεδομένων δεν είναι ισορροπημένο, θεωρούμε το F1score ως το καλύτερο μέτρο της απόδοσης του μοντέλου, το οποίο αποδίδει αξιολόγηση 93%. Η κύρια προσπάθεια αυτής της έρευνας ήταν να ελεγχθεί η λειτουργικότητα του μοντέλου με μεγάλο όγκο δεδομένων. Η μέθοδος +is παρέχει καλά αποτελέσματα ακόμα και για τόσο μεγάλα δεδομένα περίπου 938.261 κριτικών. +e Το κύριο πλεονέκτημα της χρήσης αυτής της μεθόδου είναι ότι το LSTM λαμβάνει υπόψη τη μακροπρόθεσμη μνήμη και την αποτελεσματική εκτίμηση word2vec των αναπαραστάσεων λέξεων που βοηθούν στην αποτελεσματική ανάλυση συναισθημάτων.

Για μελλοντική εργασία, θα θέλαμε να εξετάσουμε το ενδεχόμενο χρήσης αμφίδρομου LSTM για ταξινόμηση συναισθημάτων που εκπαιδεύει δύο σκέλη LSTM, την πραγματική ακολουθία εισόδου και την αντίστροφη. Το +is μπορεί να βοηθήσει στη βελτίωση της απόδοσης του μοντέλου.

Διαθεσιμότητα δεδομένων

+e δεδομένα που χρησιμοποιούνται για την υποστήριξη των ευρημάτων αυτής της μελέτης είναι διαθέσιμα από τον αντίστοιχο συγγραφέα κατόπιν αιτήματος.

Συγκρούσεις συμφερόντων

Οι συγγραφείς +e δηλώνουν ότι δεν έχουν σύγκρουση συμφερόντων.

Ευχαριστίες

Η έρευνα +is χρηματοδοτήθηκε από την Princess Nourah bint Abdulrahman University Researchers Supporting Project number.(PNURSP2022R120), Princess Nourah bint AbdulrahmanUniversity, Riyadh, Σαουδική Αραβία.

βιβλιογραφικές αναφορές

[1] B. Liu, Sentiment Analysis: Mining Opinions, Sentiments, andEmotions, Cambridge Univ. Press, Νέα Υόρκη, Νέα Υόρκη, ΗΠΑ, 1η έκδοση, 2015.

[2] P. Balaji, O. Nagaraju, and D. Haritha, "Μάρτιος). Επίπεδα ανάλυσης συναισθήματος και οι προκλήσεις της: ανασκόπηση βιβλιογραφίας," in Proceedings of the International Conference on Big DataAnalytics and Computational Intelligence (ICBDAC), σελ. 436–439, IEEE, Chirala, Ινδία, Μάρτιος 2017.

[3] R. Varghese και M. Jayasree, "A survey on sentiment analysis and opinion mining", International Journal of RenewableEnergy Technology, τομ. 2, αρ. 11, σελ. 312–317, 2013.

[4] C. Sindhu και DS Chandrakala, "A research on opinionmining and sentiment polarity classification," InternationalJournal of Emerging Technology and Advanced Engineering, τόμ. 3, σελ. 531–539, 2013.

[5] A. Jurek, Mulvenna, and Y. Bi, "Improved lexicon-based senttiment analysis for social media analytics," Security Informatics, vol. 4, αρ. 1, σελ. 9, 2015.

[6] S. Zhang, D. Zhang, H. Zhong, and G. Wang, "A multiclassification model of sentiment for E-commerce reviews,"IEEE Access, vol. 8, σελ. 189513–189526, 2020.

[7] J. Devlin, M. Chang, K. Lee, and K. Toutanova, "BERT: pretraining of deep bidirectional transformers for languageunderstanding," στο Proceedings of the Conference NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, σελ. 4171 –4186, Μινεάπολη, Μινεσότα, Ιούνιος 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose, and S. Tiwari "Ανάλυση συναισθήματος των συνόλων δεδομένων ανασκόπησης χρησιμοποιώντας αφελή ταξινομητή Bayes andk-nn," 2016,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali, and A. Rahman, "Sentiment analysis onTwitter data using KNN and SVM," International Journal ofAdvanced Computer Science and Applications, vol. 8, αρ. 6, σελ. 19–25, 2017.

[10] BS Lakshmi, PS Raj και RR Vikram, "Sentiment analysisusing deep learning technology CNN with KMeans," International Journal of Pure and Applied Mathematics, τομ. 114, αρ. 11, σελ. 47–57, 2017.

[11] Y. Fang, H. Tan και J. Zhang, "Πολυστρατηγική συναισθηματική ανάλυση των κριτικών καταναλωτών με βάση τη σημασιολογική ασάφεια," IEEE Access, τόμ. 6, σελ. 20625–20631, 2018.

[12] B. Shin, T. Lee και JD Choi, "Lexicon integrated CNNmodels with focus for sentiment analysis", 2016,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com