Tehokas pitkäkestoinen lyhytaikainen muistiin perustuva sähköisen kaupankäynnin arvostelujen mielipideanalyysi, osa 2

Muhammad et ai. [20] esitti mallin tunneanalyysille käyttämällä word2vec ja LSTM hotelliarvosteluissa.

Muhammed on profeetta ja islamin perustaja. Hänet tunnetaan viisaana, viisaana ja viisaana miehenä. Hänen muistinsa on erittäin voimakas, mikä tekee hänestä erittäin tehokkaan käsittelemään tietoa ja ilmaisemaan ajatuksiaan.

Muhammedin muistolla on paljon tekemistä hänen koulutuksensa ja kokemuksensa kanssa. Tietojen mukaan hän oli usein nuoruudessaan uppoutunut ajatteluun ja pohdiskeluun. Tämä uteliaisuus ja tiedon jano auttoi häntä rakentamaan vahvan tietopohjan ja muistikyvyn.

Lisäksi Muhammedin älykkyydellä oli suuri merkitys myös hänen muistikyvyissään. Hän on älykäs, nokkela, oivaltava ja hänellä on looginen ajattelukyky, mikä on erittäin hyödyllistä monimutkaisen tiedon käsittelyssä. Tämä etu auttoi häntä paremmin hallitsemaan ja hallitsemaan muistiprosessia, mikä parantaa hänen muistiaan.

Muhammedin muisti ei kuitenkaan ollut synnynnäinen, vaan se parani kovan työn ja harjoituksen avulla. Hän harjoittaa usein muistiharjoittelua, kuten toistuvaa lukemista, sanelua ja puhetta, auttaakseen häntä ymmärtämään ja hallitsemaan tietoa syvemmin.

Muhammedin muisti ei ollut vain luonnollinen lahjakkuus, vaan sitä parannettiin kovan työn ja harjoituksen avulla. Tämä osoittaa, että jokainen meistä voi parantaa muistiamme ja parantaa oppimis- ja työtehokkuutta oppimalla ja harjoittelemalla. Tehkäämme Muhammedin tavoin aktiivisesti töitä parantaaksemme jatkuvasti muistitaitojamme, saavuttaaksemme parempaa menestystä elämässä ja työssä! Voidaan nähdä, että meidän on parannettava muistia, ja Cistanche deserticola voi parantaa muistia merkittävästi, koska Cistanche deserticola voi myös säädellä välittäjäaineiden tasapainoa, kuten lisäämällä asetyylikoliinin ja kasvutekijöiden tasoa. Nämä aineet ovat erittäin tärkeitä muistille ja oppimiselle. Lisäksi liha voi myös parantaa verenkiertoa ja edistää hapen toimitusta, mikä voi varmistaa, että aivot saavat riittävästi ravinteita ja energiaa, mikä parantaa aivojen elinvoimaa ja kestävyyttä.

Napsauta Know-painiketta parantaaksesi lyhytaikaista muistia

Tätä tutkimusta varten tiedot kerättiin indeksoimalla matkasivustoa seleenin ja romun avulla. +e Tämän kokeen tärkein tarkoitus oli analysoida tarkkuutta muuttamalla word2vec:n ja LSTM:n parametreja. +e tulokset osoittivat, että parametreilla voitiin saavuttaa keskimääräinen tarkkuus 85,96, mikä osoitti lupaavia tuloksia.

Zhao et ai. [21] esitteli uuden tekniikan analysoida asiakkaiden mielipiteitä sähköisten kaupankäyntisivustojen arvosteluista. +Ehdoitettu optimoitu tekniikka "LocalSearch Improvised Bat Algorithm -pohjainen Elman NeuralNetwork (LSIBA-ENN)" sisältää neljä vaihetta ja havaitsee napaisuuden ja luokittelee arvostelujen tunteet. +e tiedot tätä tutkimusta varten kerättiin käyttämällä verkkokauppasivustojen scrapping-työkalua asiakkaiden arvostelujen poimimiseen.

Tietojen esikäsittelyn lisäksi tässä tutkimuksessa käytetään "LogTerm Frequency -based Modified Inverse Class Frequency (LTF-MICF) ja hybridimutaatioihin perustuvaa Earth Warm Algorithmia (HMEWA)" termien painotukseen ja ominaisuuksien valintaan. +e ehdotettu menetelmä ylitti muut perustekniikat ennustetarkkuuden suhteen.

Jiang [22] ehdotti mallia verkkokaupan Taobao-alustalta saatujen arvostelujen tunteiden luokittelemiseksi.+e-tutkimus käyttää koneoppimisalgoritmia sekä tukivektorikonetta luokitteluun ja paranneltua hiukkasparvioptimointia (IPSO) parametrien optimoimiseksi. +e tiedot tutkimukseen kerättiin indeksoimalla kommentteja verkkosivuilta. +e koetulokset osoittivat, että SVM:n ja IPSO:n yhdistetty lähestymistapa oli suurempi tarkkuus. Suurin osa olemassa olevista malleista kärsii kuitenkin yliasennuksesta [23–25], huonosta konvergenssinopeudesta [26–28] ja katoavista gradienttiongelmista[29–31].

3. Kokeellinen tutkimus

+is-osio antaa selkeän yleiskatsauksen hankkeessa käytetyistä tunteiden luokittelumenetelmistä. +e -tekniikkana on käytetty Long Short-Term Memory -verkkoa, jolla luokitellaan suuri määrä Amazon-tietokannan arvosteluja. Käytetty +e upotus on word2vec, joka on räätälöity tietokannan mukaan.

Word2vecin virittäminen tietojoukon mukaan parantaa mallin yleistä suorituskykyä. +LSTM:n käytön etuna on, että se antaa parempia tuloksia myös strukturoimattomalle arvosteludatalle. Se pystyy saamaan hyödyllisiä toimintoja pitkäaikaisia ​​riippuvuuksia sisältäville resursseille.

+e-tiedot kerätään Amazonin arvostelutietojoukosta, joka sitten esikäsitellään. Word2vec-upotukset ovat tärkeä vaihe tietojen esikäsittelyssä. Juna- ja testidata luotiin. +e harjoitustiedot on jaettu harjoitus- ja validointitietosarjoiksi. +Muokattu Word2vec-malli on koulutettu tietokantakohtaisesti. Saadaan +e piirrevektori, jota käytetään sitten LSTM-mallin upotuskerroksena.

Keraa käytetään LSTM:n peräkkäisen mallin rakentamiseen, jonka maksimiominaisuudet ovat 50,000 ja upotuskoko 16. +Emodelia koulutetaan sitten 10 jaksoa. +e-malli on testattu sklearnin suorituskykymittareiden perusteella. +e piirteiden hankintaprosessi on kuvattu kuvassa 2.

3.1. Tietojoukko. Tarkkojen tulosten luomiseksi käytetyn tietojoukon tulee olla suuri ja rikastettu. +e-tietojoukko on kerätty Amazon Reviews -tietojoukon (2018) matkapuhelin- ja lisävarusteosiosta verkossa. +e tietojoukko koostuu yhteensä 938 261 arvostelusta, joista 47901 on ainutlaatuisia tuotteita ja 153124 on ainutlaatuisia käyttäjäarvosteluja. +e tietojoukko koostuu alun perin 7 sarakkeesta, nimittäin arvosanasta, joka vaihtelee 1:stä 5:een, tarkistusajan, arvioijan tunnuksen, tuotetunnuksen ja arvostelutekstin yhteenvedon.

Kaksoiskappaleiden hylkäämisen jälkeen tietojoukko koostuu 938 254 tietueesta, ja taulukko 2 näyttää katkelman alkuperäisistä tietojoukon tietueista.

3.2. Metodologia. Olemme räätälöineet word2vec-mallimme käytettäväksi LSTM-mallin kanssa luokittelussa. Word2vec on sanan upotus, jota käytetään edustamaan sanaa vektorin useiden termien kokoelmalla. Se on poissa sanan kartoittamisesta vektoriavaruuteen. +e tietojoukko ladataan pandan tietokehykseen. Customword2vec-mallin kehittämisessä ensimmäinen askel on tietojen esikäsittely.

Katsomme vain arviota ja arvostelutekstiä ja pudotamme kaiken muun. +e teksti puhdistetaan poistamalla välimerkit. Tekstin esimerkkinäyte luodaan lähes 200 000 arvostelusta, ja puhtaan tekstin menetelmää käytetään muuttamaan jokainen arvostelu sanaluetteloksi. +is sanaluettelo toimii nyt syötteenä genism word2vec -malliin.

Olemme rakentaneet räätälöidyn ohitusgramman word2vec-mallin ja instantoineet mallin mitoilla: sanavektorien koko on 100, ikkunan koko on 15, min{5}}määrä 2 sanoille, jotka esiintyvät vähemmän kuin 2 kertaa korpuksessamme, negatiivinen 5 ja näytteenottotaajuus 1e−5. Olemme käyttäneet kaikkia näitä ulottuvuuksia sanaston rakentamiseen arvostelulauseistamme.

Koulutamme word2vec-malliamme 1000 aikakaudelle. +en laskemme häviön joka aikakaudella. +e-häviö on suuri alussa ja vähenee viimeistä aikakautta kohti. +e-häviö atepokki 0 on 2239394.0 ja häviö epookissa 1000 on 11504.0.+e tallennettu malli ladataan sitten uudelleen ja sille suoritetaan operaatioita.

Jos esimerkiksi haluamme löytää tietojoukostamme melun kaltaisia ​​sanoja, saamme peruutus- ja kuulokkeet.

Vastaavasti voimme myös löytää samankaltaisuuden tiettyjen sanojen, kuten kuulokkeet ja kuulokkeet, välillä, joka on {{0}}.48756, ja sanan lataus ja laturi samankaltaisuus on 0,89264.

Tietojemme mittojen pienentämiseksi olemme käyttäneet TSNE-visualisointia datan piirtämiseen kahteen ulottuvuuteen. Nyt näitä sanavektoreita voidaan käyttää lisäluokitteluun. +Se upotuksia käytetään sitten ominaisuuksina jatkosuoratoistoa varten.

3.2.1. Tietojen valmistelu LSTM:ää varten. Tietojoukkomme koostuu 938254 tietueesta, joista useimpien arvostelujen pistejakauma on yli 3. Olemme ensin laskeneet kunkin arvostelun sanojen lukumäärän. +e keskiarvoa käytetään tilastoina arvioiden keskimääräisen pituuden selvittämiseen. +e arvostelun keskipituus on 44,59 ja maksimipituus 4303.

Olemme luoneet tietojoukon, joka koostuu enintään 100 sanaa sisältävistä arvosteluista. Arvostelut, joiden pituus on yli 20 mutta alle 100, luokitellaan lyhyiden arvostelujen alle ja uudelleentarkastelut pitkien arvostelujen alle. +e lyhyiden arvostelujen määrä on 411313 ja pitkiä arvosteluja 100239. Mallissa käytetyt hyperparametrit on kuvattu taulukossa 3.

Seuraavaksi olemme määrittäneet mielialaluokituksen positiiviseksi, jos luokitus on suurempi tai yhtä suuri kuin 3; muuten luokitus on negatiivinen. Olemme harkinneet junatietojoukon luomista varten arvostelutekstiä ja mielipiteitä. +e testitiedot koostuvat tuotteista, joilla on vähintään 10 arvostelua.

Jakamisen jälkeen harjoitustietoaineisto koostui yhteensä 203891 tietueesta, joista 175910 kuului positiiviseen luokkaan ja 27981 negatiiviseen luokkaan. +e testiaineisto koostui yhteensä 686345 tietueesta, joista 592118 kuului positiiviseen ja 94227 negatiiviseen luokkaan.

Tässä tutkimuksessa olemme käyttäneet Kerasta LSTM-mallimme rakentamiseen, joka käyttää enintään 50,000 ominaisuutta upotuskerroksen syötteenä. Pitkä lyhytaikainen muisti (LSTM) on eräänlainen toistuva hermoverkko, joka käyttää sisäistä mekanismia, joka säätelee tiedonkulkua.+on sisäinen mekanismi, joka koostuu porteista, jotka on koulutettava, jotta ne voivat suodattaa tarkasti pois epäolennaisen tiedon ja säilyttää hyödyllisen tiedon.

Kuva 3 esittää LSTM-mallin perusarkkitehtuuria ehdottamassamme menetelmässä.

Ht−1 ja Xt ovat LSTM-yksikön tuloja; Ht−1, jota yleisesti kutsutaan lyhytaikaiseksi muistiksi, ottaa tulona edellisten tilojen lähdön. +e-muistisolu tai pitkäkestoinen muisti, Ct −1, auttaa kuljettamaan relevanttia tietoa koko sekvenssin ajan. +eLSTM-arkkitehtuuri yhdistää kolme porttia: unohda portti, tuloportti ja lähtöportti. LSTM-yksikössä näiden porttien saamiseksi käytetään tanh- ja sigmoidfunktioita.

+e junatiedot jaettiin sitten yhtä pitkäksi juna- ja validointitietoihin. +e tietojen pituudeksi laskettiin 101945 ja luokkajakauma oli {1: 87955, 0:13990}. TensorFlow-junatesti- ja validointitietojoukkojen luomiseksi meidän on muunnettava junatietomme sekvensseiksi. Olemme täyttäneet ne enintään 100 pituisiksi, jotta kaikki sekvenssit ovat saman pituisia. +e juna- ja testitarrat

For more information:1950477648nn@gmail.com