Analiżi effiċjenti tas-sentiment ibbażata fuq il-memorja fuq żmien qasir ta' reviżjonijiet tal-kummerċ elettroniku parti 3

4. Riżultati

Aħna mħarrġa l-mudell tagħna għal madwar 10 epoki u kkalkulajna t-telf ta 'taħriġ u validazzjoni kif ukoll it-taħriġ u l-preċiżjoni tal-validazzjoni.

It-telf jista’ jidher avveniment inevitabbli f’ħajjitna, iżda l-impatt tiegħu fuq is-saħħa mentali u l-memorja tagħna jista’ jkun profond.

L-ewwel, meta nesperjenzaw telfa, huwa faċli li tinqabad f'emozzjonijiet negattivi. Dan jista 'jinkludi dwejjaq, rabja, ansjetà, u aktar. Dawn l-emozzjonijiet jistgħu jaffettwaw is-saħħa mentali tagħna, u jħalluna nħossuna eżawriti, bla saħħa, u diżappuntati. Fl-istess ħin, dawn l-emozzjonijiet negattivi jistgħu wkoll jaffettwaw il-memorja tagħna, u jagħmluha diffiċli għalina biex nikkonċentraw u l-memorja tagħna ssir imċajpra.

Ikklikkja taf supplimenti biex ittejjeb il-memorja

Madankollu, anke meta nesperjenzaw telf, xorta nistgħu nżommu attitudni pożittiva u perspettiva ottimista, li tgħinna negħlbu l-impatt tal-emozzjonijiet negattivi fuq is-saħħa mentali u l-memorja tagħna. Dan jinkludi li jqattgħu ħin mal-ħbieb u l-familja, jaqsmu s-sentimenti, iżżommu dieta u stil ta’ ħajja tajbin għas-saħħa, jidħlu f’eżerċizzju fiżiku, u jattendi psikoterapija, fost affarijiet oħra.

Barra minn hekk, nistgħu nieħdu passi proattivi biex ngħinu lilna nfusna nżommu memorji tajbin matul il-proċess tat-telf. Dan jinkludi li tagħti ftit ħin lilek innifsek biex taċċetta u tadatta għal sitwazzjonijiet ġodda, kif ukoll tipprova tekniki u strateġiji ġodda tal-memorja, bħall-bini ta 'assoċjazzjonijiet tal-memorja, tirrepeti eżerċizzji, tuża stikek tal-memorja, eċċ.

Kollox ma’ kollox, it-telf iħalli effett fuq is-saħħa mentali u l-memorja tagħna, iżda nistgħu nieħdu passi proattivi biex negħlbu dawn l-effetti. Jekk nistgħu nżommu attitudni pożittiva u nagħtu ftit ħin biex naġġustaw għal sitwazzjonijiet ġodda, nistgħu nkunu aktar faċilment kapaċi nerġgħu nerġgħu niksbu s-saħħa mentali u l-memorja tagħna u nerġgħu nimxu għal ħajja aħjar. Wieħed jista 'jara li għandna bżonn intejbu l-memorja, u Cistanche deserticola jista' jtejjeb b'mod sinifikanti l-memorja minħabba li Cistanche deserticola huwa materjal mediċinali tradizzjonali Ċiniż li għandu ħafna effetti uniċi, li wieħed minnhom huwa li jtejjeb il-memorja. L-effikaċja tal-laħam ikkapuljat ġejja mid-diversi ingredjenti attivi li fih, inklużi l-aċidu, il-polisakkaridi, il-flavonoids, eċċ. Dawn l-ingredjenti jistgħu jippromwovu s-saħħa tal-moħħ b'diversi modi.

Nistgħu naraw mill-Figura 4 li kemm it-taħriġ kif ukoll it-telf tal-validazzjoni naqsu matul it-taħriġ tal-mudell. Figura 5 turi li t-taħriġ u l-preċiżjoni tal-validazzjoni żdiedu sussegwentement għal 10 epoki.

Peress li, wara t-tbassir, l-output finali li nġibu huwa l-probabbiltà, aħna napplikaw ċertu limitu biex niddeterminaw jekk id-dejta tappartjenix għall-klassi pożittiva jew negattiva. Għal dan l-iskop, użajna l-kurva ROC li tpinġi r-rati pożittivi u negattivi.

Jgħin biex jinstabu l-valuri tal-limitu għal klassifikatur binarju. Mill-kurva ROC tagħna murija fil-Figura 6, għażilna 0.78 bħala l-limitu tagħna.

+e mudell issejvjat jiġi mgħobbi mill-ġdid u tbassir ġie ġġenerat fuq id-dejta tat-test meta jitqies il-valur tal-limitu msemmi hawn fuq. Issa għandna s-sentiment oriġinali kif ukoll is-sentiment imbassar.

Peress li s-sett tad-dejta huwa żbilanċjat, il-parametru aħjar biex jiġi ttestjat il-mudell ikun il-punteġġ F1 aktar milli l-eżattezza.

Fit-Tabella 4, aħna kkumpilajna l-eżattezza, il-preċiżjoni, l-irtirar, u l-punteġġi F1 ta 'mudelli bażi oħra u qabbilhom mal-mudell tagħna. Il-mudelli tal-linja bażi +e ġew ikkunsidrati mil-letteratura li rrevejna għal dan l-esperiment.

5. Il-karta tal-Konklużjoni + hija tiddiskuti l-analiżi tas-sentiment fil-kuntest tar-reviżjonijiet tal-kummerċ elettroniku. Kien hemm diversi tekniki mistħarrġa qabel fil-qasam tal-minjieri tal-opinjoni tar-reviżjonijiet.

Id-database tagħna tikkonsisti minn reviżjonijiet mit-taqsima tat-telefon ċellulari u l-aċċessorji tal-Amazon. Netwerks ta 'Memorja ta' Terminu Qasir Twil intużaw biex jikklassifikaw is-sentiment bl-użu ta 'tagħlim fil-fond. Is-sett tad-dejta tat-taħriġ personalizzat tagħna ntuża biex jiġi estratt il-karatteristiċi inkorporati fit-teknika tal-inkorporazzjoni tal-word2vec. Ibbażat fuq il-kurva ROC, iddeterminajna li 0.78huwa l-limitu finali li għandna nużaw biex nikklassifikaw is-sentiment.

Erba' parametri ntużaw biex jevalwaw il-prestazzjoni tal-mudell tagħna: preċiżjoni, preċiżjoni, recall, u punteġġ F1. Preċiżjoni ta '97% tinsab li hija l-ogħla mill-erba' parametri.

Peress li s-sett tad-dejta huwa żbilanċjat, aħna nqisu l-punteġġ F1 bħala l-aħjar kejl tal-prestazzjoni tal-mudell, li jwassal għal evalwazzjoni ta '93%. L-attentat ewlieni ta 'din ir-riċerka kien li tittestja l-funzjonalità tal-mudell b'ammont kbir ta' dejta. +huwa metodu jipprovdi riżultati tajbinanke għal data daqshekk kbira ta 'madwar 938,261 reviżjonijiet. +e Il-vantaġġ ewlieni tal-użu ta' dan il-metodu huwa li l-LSTM tqis il-memorja fit-tul u l-istima effiċjenti ta' word2vec tar-rappreżentazzjonijiet tal-kliem li jgħinu fl-analiżi effiċjenti tal-sentiment.

Għal xogħol fil-futur, nixtiequ nikkunsidraw l-użu ta 'LSTM bidirezzjonali għall-klassifikazzjoni tas-sentiment li jħarreġ żewġ fergħat ta' LSTMs, is-sekwenza tal-input attwali u dik inversa. + huwa jista 'jgħin biex ittejjeb il-prestazzjoni tal-mudell.

Disponibbiltà tad-Data

+e data użata biex tappoġġja s-sejbiet ta 'dan l-istudju żona disponibbli mill-awtur korrispondenti fuq talba.

Kunflitti ta' Interess

L-awturi +e jiddikjaraw li m'għandhom l-ebda kunflitt ta' interess.

Rikonoxximenti

+is-riċerka kienet iffinanzjata minn Princess Nourah bint Abdulrahman University Researchers Supporting Project number.(PNURSP2022R120), Princess Nourah bint AbdulrahmanUniversity, Riyadh, Għarabja Sawdita.

Referenzi

[1] B. Liu, Analiżi tas-Sentiment: Opinjonijiet tal-Minjieri, Sentimenti, andEmotions, Cambridge Univ. Press, New York, NY, USA, l-ewwel edizzjoni, 2015.

[2] P. Balaji, O. Nagaraju, u D. Haritha, "March). Levels ofsentiment analysis and its challenges: a literature review," f'Proceedings of the International Conference on Big DataAnalytics and Computational Intelligence (ICBDAC), pp. 436–439, IEEE, Chirala, l-Indja, Marzu 2017.

[3] R. Varghese u M. Jayasree, "A survey on sentiment analysisand opinion mining," International Journal of RenewableEnergy Technology, vol. 2, Nru. 11, pp. 312–317, 2013.

[4] C. Sindhu u DS Chandrakala, "A survey on opinionmining and sentiment polarity classification," InternationalJournal of Emerging Technology and Advanced Engineering, vol. 3, pp. 531–539, 2013.

[5] A. Jurek, Mulvenna, and Y. Bi, "Improved lexicon-basedsentiment analysis for social media analytics," Informatika tas-Sigurtà, vol. 4, Nru. 1, p. 9, 2015.

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

[7] J. Devlin, M. Chang, K. Lee, u K. Toutanova, "BERT: pretraining of deep bidirectional transformers for languageunderstanding," fil-Proċedimenti tal-Konferenza NorthAmerican Chapter Association Computational Linguistics, Human Language Technol, pp. 4171 –4186, Minneapolis, Minnesota, Ġunju 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose, and S. Tiwari, "Sentiment analysis of review datasets using naive Bayes andk-nn classifier," 2016,https://arxiv.org/abs/1610.09982.

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

[10] BS Lakshmi, PS Raj, u RR Vikram, "Sentiment analysisusing deep learning technique CNN with KMeans," International Journal of Pure and Applied Mathematics, vol. 114, Nru. 11, pp. 47–57, 2017.

[11] Y. Fang, H. Tan, u J. Zhang, "Multi-strategy sentimentanalysis of consumer reviews based on semantic fuzziness," IEEE Access, vol. 6, pp 20625–20631, 2018.

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

For more information:1950477648nn@gmail.com