Эффективный долгосрочный краткосрочный анализ настроений обзоров электронной коммерции на основе краткосрочной памяти. Часть 3

4. Результаты

Мы обучали нашу модель около 10 эпох и рассчитали потери при обучении и проверке, а также точность обучения и проверки.

Потеря может показаться неизбежным событием в нашей жизни, но ее влияние на наше психическое здоровье и память может быть глубоким.

Во-первых, когда мы переживаем потерю, легко поддаться негативным эмоциям. Это может включать в себя печаль, гнев, беспокойство и многое другое. Эти эмоции могут повлиять на наше психическое здоровье, заставляя нас чувствовать себя истощенными, бессильными и разочарованными. В то же время эти негативные эмоции также могут влиять на нашу память, затрудняя концентрацию и затуманивая память.

Нажмите «Знайте добавки для улучшения памяти»

Однако даже когда мы переживаем утрату, мы все равно можем сохранять позитивный настрой и оптимистическую точку зрения, помогая нам преодолеть влияние негативных эмоций на наше психическое здоровье и память. Это включает в себя, среди прочего, проведение времени с друзьями и семьей, обмен чувствами, поддержание здорового питания и образа жизни, занятия физическими упражнениями и посещение психотерапии.

Кроме того, мы можем предпринять активные шаги, чтобы помочь себе сохранить хорошие воспоминания во время процесса утраты. Это включает в себя предоставление себе некоторого времени, чтобы принять и адаптироваться к новым ситуациям, а также опробовать новые методы и стратегии запоминания, такие как построение ассоциаций воспоминаний, повторение упражнений, использование карт памяти и т. д.

В целом, утрата наносит ущерб нашему психическому здоровью и памяти, но мы можем предпринять активные шаги, чтобы преодолеть эти последствия. Если мы сможем сохранить позитивный настрой и дать себе некоторое время, чтобы приспособиться к новым ситуациям, нам будет легче восстановить психическое здоровье и память и снова перейти к лучшей жизни. Видно, что нам необходимо улучшить память, а цистанхе пустынный может значительно улучшить память, потому что цистанхе пустынный — это традиционное китайское лекарственное средство, обладающее множеством уникальных эффектов, одним из которых является улучшение памяти. Эффективность мясного фарша обусловлена ​​различными содержащимися в нем активными ингредиентами, включая кислоты, полисахариды, флавоноиды и т. д. Эти ингредиенты могут способствовать здоровью мозга различными способами.

На рисунке 4 видно, что потери при обучении и проверке уменьшились на протяжении всего обучения модели. На рисунке 5 показано, что точность обучения и проверки впоследствии увеличивалась в течение 10 эпох.

Поскольку после прогнозирования конечный результат, который мы получаем, — это вероятность, мы применяем определенный порог, чтобы определить, относятся ли данные к положительному или отрицательному классу. Для этой цели мы использовали кривую ROC, которая отображает истинно положительные и отрицательные ставки.

Это помогает найти пороговые значения для двоичного классификатора. Из нашей кривой ROC, показанной на рисунке 6, мы выбрали 0,78 в качестве порога.

+Сохраненная модель перезагружается, и на основе тестовых данных создаются прогнозы с учетом вышеупомянутого порогового значения. Теперь у нас есть исходное и прогнозируемое настроение.

Поскольку набор данных несбалансирован, лучшим параметром для проверки модели будет показатель F1, а не точность.

В таблице 4 мы собрали показатели точности, точности, полноты и F1 других базовых моделей и сравнили их с нашей моделью. Базовые модели были взяты из литературы, которую мы рассмотрели для этого эксперимента.

5. В статье «Заключение» обсуждается анализ настроений в контексте обзоров электронной коммерции. Ранее были исследованы различные методы анализа мнений в обзорах.

Наша база данных состоит из обзоров из раздела мобильных телефонов и аксессуаров на Amazon. Сети долгосрочной краткосрочной памяти использовались для классификации настроений с помощью глубокого обучения. Наш специальный набор обучающих данных использовался для извлечения функций, встроенных в технику встраивания word2vec. На основе кривой ROC мы определили, что 0,78 — это окончательный порог, который мы должны использовать для классификации настроений.

Для оценки эффективности нашей модели использовались четыре параметра: точность, прецизионность, полнота и показатель F1. Точность 97% оказывается самой высокой из четырех параметров.

Поскольку набор данных несбалансирован, мы считаем, что показатель F1 является лучшим показателем эффективности модели, что дает оценку 93%. Основная попытка этого исследования заключалась в проверке функциональности модели на большом объеме данных. Метод +is дает хорошие результаты даже для таких больших данных (около 938 261 отзыва). +e Основное преимущество использования этого метода заключается в том, что LSTM учитывает долговременную память и эффективную оценку словесных представлений word2vec, что помогает в эффективном анализе настроений.

В будущей работе мы хотели бы рассмотреть возможность использования двунаправленного LSTM для классификации настроений, который обучает две цепочки LSTM: фактическую входную последовательность и обратную. +is может помочь улучшить производительность модели.

Доступность данных

+e данные, использованные для подтверждения результатов этого исследования, можно получить у соответствующего автора по запросу.

Конфликт интересов

+авторы заявляют об отсутствии конфликта интересов.

Благодарности

+Это исследование финансировалось Университетом принцессы Нуры бинт Абдулрахман, номер проекта поддержки исследователей (PNURSP2022R120), Университет принцессы Нуры бинт Абдулрахман, Эр-Рияд, Саудовская Аравия.

Рекомендации

[1] Б. Лю, Анализ настроений: мнения, чувства и эмоции, Кембриджский университет. Пресс, Нью-Йорк, США, 1-е издание, 2015 г.

[2] П. Баладжи, О. Нагараджу и Д. Харита, «Март. Уровни анализа настроений и его проблемы: обзор литературы», в материалах Международной конференции по анализу больших данных и вычислительной разведке (ICBDAC), стр. 436–439, IEEE, Чирала, Индия, март 2017 г.

[3] Р. Варгезе и М. Джаясри, «Опрос по анализу настроений и анализу мнений», Международный журнал технологий возобновляемой энергии, том. 2, нет. 11, стр. 312–317, 2013.

[4] К. Синдху и Д.С. Чандракала, «Опрос по изучению мнений и классификации полярностей настроений», International Journal of Emerging Technology and Advanced Engineering, vol. 3, стр. 531–539, 2013.

[5] А. Юрек, Малвенна и Ю. Би, «Улучшенный анализ настроений на основе лексикона для аналитики социальных сетей», Security Informatics, vol. 4, нет. 1, с. 9, 2015.

[6] С. Чжан, Д. Чжан, Х. Чжун и Г. Ван, «Модель мультиклассификации настроений для обзоров электронной коммерции», IEEE Access, vol. 8, стр. 189513–189526, 2020.

[7] Дж. Девлин, М. Чанг, К. Ли и К. Тутанова, «BERT: предварительное обучение глубоких двунаправленных преобразователей для понимания языка», в материалах конференции Североамериканского отделения Ассоциации компьютерной лингвистики, Human Language Technol, стр. 4171. –4186, Миннеаполис, Миннесота, июнь 2019 г.

[8] Л. Дей, С. Чакраборти, А. Бисвас, Б. Бозе и С. Тивари, «Анализ настроений наборов обзорных данных с использованием наивного классификатора Байеса и k-nn», 2016 г.,https://arxiv.org/abs/1610.09982.

[9] М.Р. Хук, А. Али и А. Рахман, «Анализ настроений по данным Twitter с использованием KNN и SVM», International Journal of Advanced Computer Science and Applications, vol. 8, нет. 6, с. 19–25, 2017.

[10] Б.С. Лакшми, П.С. Радж и Р.Р. Викрам, «Анализ настроений с использованием техники глубокого обучения CNN с KMeans», Международный журнал чистой и прикладной математики, том. 114, нет. 11, стр. 47–57, 2017.

[11] Ю. Фанг, Х. Тан и Дж. Чжан, «Многостратегический сентиментальный анализ потребительских отзывов, основанный на семантической нечеткости», IEEE Access, vol. 6, стр. 20625–20631, 2018.

[12] Б. Шин, Т. Ли и Дж. Д. Чой, «Lexicon интегрировал модели CNN с вниманием к анализу настроений», 2016 г.,Источник://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com