Efikas analiz de santiman ki baze sou memwa alontèm nan e-komès revi pati 3

4. Rezilta yo

Nou antrene modèl nou an pou apeprè 10 epòk epi nou kalkile pèt fòmasyon ak validasyon ansanm ak presizyon fòmasyon ak validasyon.

Pèt ka sanble yon evènman inevitab nan lavi nou, men enpak li sou sante mantal nou ak memwa ka pwofon.

Premyèman, lè nou fè eksperyans yon pèt, li fasil pou nou pran nan emosyon negatif. Sa a ka gen ladan tristès, kòlè, enkyetid, ak plis ankò. Emosyon sa yo ka afekte sante mantal nou, kite nou santi nou fatige, san fòs, ak desi. An menm tan, emosyon negatif sa yo ka afekte memwa nou tou, sa ki fè li difisil pou nou konsantre epi memwa nou vin twoub.

Klike sou konnen sipleman pou amelyore memwa

Sepandan, menm lè nou fè eksperyans pèt, nou ka toujou kenbe yon atitid pozitif ak pèspektiv optimis, ede nou simonte enpak emosyon negatif sou sante mantal nou ak memwa. Sa gen ladann pase tan ak zanmi ak fanmi, pataje santiman, kenbe yon rejim alimantè ki an sante ak yon vi, angaje yo nan fè egzèsis fizik, ak ale nan sikoterapi, pami lòt bagay.

Anplis de sa, nou ka pran mezi aktif pou ede tèt nou kenbe bon souvni pandan pwosesis pèt la. Sa gen ladan l bay tèt ou kèk tan pou aksepte ak adapte yo ak nouvo sitiyasyon, osi byen ke eseye nouvo teknik memwa ak estrateji, tankou bati asosyasyon memwa, repete egzèsis, itilize baton memwa, elatriye.

An jeneral, pèt yo afekte sante mantal nou ak memwa, men nou ka pran mezi aktif pou simonte efè sa yo. Si nou ka kenbe yon atitid pozitif epi bay tèt nou yon ti tan pou ajiste nan nouvo sitiyasyon, nou ka pi fasil reprann sante mantal nou ak memwa epi ale nan yon lavi miyò ankò. Li ka wè ke nou bezwen amelyore memwa, ak Cistanche deserticola ka siyifikativman amelyore memwa paske Cistanche deserticola se yon materyèl tradisyonèl Chinwa medsin ki gen anpil efè inik, youn nan ki se amelyore memwa. Efikasite vyann mens soti nan divès engredyan aktif li genyen ladan l, ki gen ladan asid, polisakarid, flavonoid, elatriye engredyan sa yo ka ankouraje sante nan sèvo nan divès fason.

Nou ka wè nan Figi 4 ke tou de pèt fòmasyon ak validasyon diminye pandan fòmasyon nan modèl la. Figi 5 montre ke presizyon nan fòmasyon ak validation ogmante imedyatman pou 10 epòk.

Piske, apre prediksyon, pwodiksyon final nou jwenn se pwobabilite, nou aplike yon sèten papòt pou detèmine si done yo fè pati klas pozitif oswa negatif. Pou rezon sa a, nou te itilize koub ROC ki trase to pozitif ak negatif yo.

Li ede jwenn valè papòt pou yon klasifikasyon binè. Soti nan koub ROC nou yo montre nan Figi 6, nou te chwazi 0.78 kòm papòt nou an.

+ Modèl ki sove yo rechaje epi prediksyon yo te jenere sou done tès yo konsidere valè papòt yo mansyone anwo a. Koulye a, nou gen santiman orijinal la ansanm ak santiman prevwa a.

Depi dataset la dezekilib, pi bon paramèt pou teste modèl la ta dwe nòt F1 olye ke presizyon.

Nan Tablo 4, nou te konpile presizyon, presizyon, sonje, ak nòt F1 nan lòt modèl debaz epi konpare yo ak modèl nou an. + Yo te konsidere modèl debaz yo nan literati nou te revize pou eksperyans sa a.

5. Konklizyon + se papye diskite sou analiz santiman nan yon kontèks revize komès elektwonik. Te gen plizyè teknik sondaj deja nan jaden an nan min opinyon nan revize.

Baz done nou an konsiste de revizyon ki soti nan telefòn selilè ak seksyon Pwodwi pou Telefòn nan Amazon. Rezo memwa kout tèm long yo te itilize pou klasifye santiman an lè l sèvi avèk aprantisaj pwofon. Yo te itilize seri done fòmasyon koutim nou an pou fè ekstraksyon karakteristik ki entegre nan word2vec embeddingtechnique la. Dapre koub ROC a, nou te detèmine ke 0.78 se papòt final nou ta dwe itilize pou klasifye santiman.

Yo te itilize kat paramèt pou evalye pèfòmans modèl nou an: presizyon, presizyon, rapèl, ak nòt F1. Yo jwenn presizyon nan 97% ki pi wo nan kat paramèt yo.

Kòm dataset la dezekilib, nou konsidere F1score la kòm pi bon mezi pèfòmans modèl la, ki bay yon evalyasyon 93%. Tantativ prensipal rechèch sa a se te teste fonksyonalite modèl la ak yon gwo kantite done. +Metòd sa a bay bon rezilta menm pou done gwo sou 938,261 revize. +e Avantaj prensipal nan itilize metòd sa a se ke LSTM pran an konsiderasyon memwa alontèm ak mo2vec estimasyon efikas nan reprezantasyon mo ki ede nan analiz efikas santiman.

Pou travay nan lavni, nou ta renmen konsidere itilize LSTM bidireksyon pou klasifikasyon santiman ki fòme de seksyon LSTM, sekans aktyèl la ak youn ranvèse. +sa ta ka ede amelyore pèfòmans modèl la.

Done Disponibilite

+e done yo itilize pou sipòte rezilta etid sa a disponib nan men otè ki koresponn lan sou demann.

Konfli enterè yo

+e otè deklare ke yo pa gen okenn konfli enterè.

Rekonesans

+Se rechèch ki te finanse pa Princess Nourah bint Abdulrahman University Researchers Supporting Project Number.(PNURSP2022R120), Princess Nourah bint AbdulrahmanUniversity, Riyad, Arabi Saoudit.

Referans

[1] B. Liu, Sentiment Analysis: Mining Opinions, Sentiments, and Emotions, Cambridge Univ. Press, New York, NY, USA, 1st edition, 2015.

[2] P. Balaji, O. Nagaraju, and D. Haritha, "Mas). Levels ofsentiment analysis and its challenges: a literature review," nan Pwosedi Konferans Entènasyonal sou Big DataAnalytics and Computational Intelligence (ICBDAC), pp. 436–439, IEEE, Chirala, End, mas 2017.

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

[4] C. Sindhu ak 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," Security Informatics, vol. 4, non. 1, p. 9, 2015.

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

[7] J. Devlin, M. Chang, K. Lee, ak K. Toutanova, "BERT: pretraining of deep bidirectional transformers for languageunderstanding," nan Proceedings of the Conference NorthAmerican Chapter Association Computational Linguistics,Human Language Technol, pp. 4171 –4186, Minneapolis, Minnesota, jen 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, ak A. Rahman, "Sentiment analysis onTwitter data using KNN and SVM," International Journal ofAdvanced Computer Science and Applications, vol. 8, non. 6, pp. 19–25, 2017.

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

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

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

For more information:1950477648nn@gmail.com