การวิเคราะห์ความรู้สึกตามหน่วยความจำระยะสั้นที่มีประสิทธิภาพของการวิจารณ์อีคอมเมิร์ซตอนที่ 1

ในยุคสมัยใหม่ปัจจุบัน อีคอมเมิร์ซกำลังก้าวหน้าผ่านกระบวนการนำสินค้ามาไว้ในมือของทุกคน ผู้บริโภคไม่จำเป็นต้องก้าวออกจากบ้านเพื่อซื้อของ ซึ่งทำให้สะดวกมากสำหรับพวกเขา

ด้วยการพัฒนาเทคโนโลยีสมัยใหม่อย่างต่อเนื่องและการพัฒนาอย่างรวดเร็วของอีคอมเมิร์ซ ชีวิตของเราจึงสะดวกและมีประสิทธิภาพมากขึ้น ซึ่งส่งผลต่อความจำของเราด้วย อย่างไรก็ตาม จริงๆ แล้วมีความสัมพันธ์ระหว่างอีคอมเมิร์ซและหน่วยความจำ และความสัมพันธ์นั้นเป็นเชิงบวกและสูงขึ้น

ประการแรก อีคอมเมิร์ซทำให้เรามีวิธีการช้อปปิ้งที่สะดวกยิ่งขึ้น เราไม่จำเป็นต้องไปห้างสรรพสินค้าเพื่อซื้อของด้วยตนเองอีกต่อไป เพียงคลิกเมาส์ไม่กี่ครั้ง สินค้าที่เราต้องการก็สามารถจัดส่งถึงเราได้ด้วยบริการจัดส่งด่วน การซื้อของในรูปแบบนี้ช่วยขจัดความกังวลเรื่องการรอนานและฝูงชน ซึ่งช่วยประหยัดเวลาและพลังงานของเรา ด้วยการพัฒนาของอีคอมเมิร์ซ เราสามารถใช้เทคโนโลยีอัจฉริยะมากขึ้นในการซื้อสินค้า เช่น การซื้อด้วยเสียง คำแนะนำอัจฉริยะ ฯลฯ เทคโนโลยีเหล่านี้สามารถทำให้การช้อปปิ้งของเราสะดวกและมีประสิทธิภาพมากขึ้น

ประการที่สอง อีคอมเมิร์ซยังสามารถช่วยให้เราจัดการข้อมูลได้ดีขึ้น ซึ่งเป็นประโยชน์ต่อหน่วยความจำและประสิทธิภาพการทำงานของเรา เราสามารถใช้เครื่องมือต่างๆ เช่น อีเมล คลาวด์ดิสก์ และบันทึกออนไลน์ เพื่อบันทึกและแบ่งปันข้อมูลสำคัญ ช่วยให้สมองของเราว่าง เครื่องมือเหล่านี้ช่วยให้เราจัดระเบียบและจัดการข้อมูลได้ดีขึ้น ทำให้มั่นใจได้ว่าสมองของเราต้องมุ่งเน้นเฉพาะสิ่งที่สำคัญที่สุดเท่านั้น ในกรณีนี้ ความทรงจำของเรายังคงได้รับการฝึกฝนเพราะเราใช้เทคนิคและเครื่องมือเหล่านี้เพื่อช่วยให้เราจดจำข้อมูลแทนที่จะพยายามจดจำมัน

สุดท้ายนี้ อีคอมเมิร์ซยังสามารถช่วยให้เราเรียนรู้และพัฒนา ซึ่งเป็นประโยชน์อย่างมากต่อการพัฒนาความจำและสติปัญญาของเรา เราสามารถเรียนรู้ความรู้และทักษะใหม่ๆ ผ่านหลักสูตรออนไลน์ e-books แพลตฟอร์มการเรียนรู้ออนไลน์ และเครื่องมืออื่นๆ เครื่องมือเหล่านี้ช่วยให้เราจัดการและเชี่ยวชาญความรู้ได้ดีขึ้น ขณะเดียวกันก็ช่วยให้เราพัฒนาชีวิตการทำงานและชีวิตส่วนตัวได้ดีขึ้น วิธีการเรียนรู้นี้สามารถกระตุ้นการคิดของเราและพัฒนาความจำและความคิดสร้างสรรค์ของเรา

โดยรวมแล้ว อีคอมเมิร์ซและหน่วยความจำมีความสัมพันธ์กันจริงๆ แต่เป็นความสัมพันธ์เชิงบวกและสูงขึ้น เราสามารถใช้อีคอมเมิร์ซเพื่อปรับปรุงคุณภาพชีวิตและประสิทธิภาพในการทำงานของเรา และเรายังสามารถใช้เพื่อพัฒนาความฉลาดและความจำของเราได้อีกด้วย ดังนั้นเราจึงควรใช้เทคโนโลยีและเครื่องมือเหล่านี้อย่างจริงจังเพื่อเพิ่มพลังเชิงบวกให้กับชีวิตและการพัฒนาอาชีพของเรา จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นยาจีนโบราณที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้ 10 วิธีปรับปรุงความจำ

แถมยังมีหลากหลายยี่ห้อให้เลือกอีกด้วย เนื่องจากในปัจจุบันมีลูกค้าจำนวนมากขึ้นที่ต้องพึ่งพาแพลตฟอร์มการช้อปปิ้งออนไลน์ มูลค่าของการให้คะแนนจึงเพิ่มขึ้นเช่นกัน ในการซื้อผลิตภัณฑ์เหล่านี้ ผู้คนอาศัยเพียงบทวิจารณ์ที่ให้ไว้เกี่ยวกับผลิตภัณฑ์เท่านั้น

ในการวิเคราะห์บทวิจารณ์เหล่านี้ จำเป็นต้องดำเนินการวิเคราะห์ความรู้สึก ซึ่งสามารถพิสูจน์ได้ว่ามีประโยชน์สำหรับทั้งผู้ซื้อและผู้ผลิต เป็นบทความที่อธิบายกระบวนการวิเคราะห์ความรู้สึกและข้อกำหนด

ในเอกสารนี้ ชุดข้อมูล Amazon Review 2018 ถูกนำมาใช้เพื่อดำเนินการวิจัยของเรา และ Long Short-Term Memory (LSTM) ได้ถูกรวมเข้ากับการแสดงคำ 2vec ส่งผลให้ประสิทธิภาพโดยรวมดีขึ้น

LSTM ใช้กลไก gating ในระหว่างกระบวนการฝึกอบรม โมเดล LSTM ที่นำเสนอได้รับการประเมินโดยใช้การวัดประสิทธิภาพสี่แบบ: ความแม่นยำ ความแม่นยำ การเรียกคืน และคะแนน F1 และบรรลุผลลัพธ์โดยรวมที่สูงกว่าเมื่อเปรียบเทียบกับรุ่นพื้นฐานอื่นๆ

1. บทนำ

การสื่อสารมีบทบาทสำคัญในการส่งเสริมความสัมพันธ์ทางสังคมตั้งแต่สมัยประวัติศาสตร์ ปัจจุบันนี้ เกือบทุกส่วนของสังคมใช้โซเชียลมีเดียเนื่องจากได้พัฒนาเป็นเครื่องมือสร้างเครือข่ายที่ไม่มีประสิทธิภาพ ส่วนหลักของโซเชียลมีเดียประกอบด้วยไซต์อีคอมเมิร์ซ

เนื่องจากความก้าวหน้าอย่างรวดเร็วของเทคโนโลยีอีคอมเมิร์ซ คนส่วนใหญ่จึงเลือกซื้อทางออนไลน์ ผู้คนสามารถใช้โซเชียลมีเดียเพื่อให้ข้อเสนอแนะเกี่ยวกับสถานการณ์ รายการ และทรัพยากรต่างๆ ซึ่งอาจเป็นบวกหรือลบ ขึ้นอยู่กับประสบการณ์ของลูกค้า

ความคิดเห็นที่ไม่พึงประสงค์มีบทบาทสำคัญในการเติบโตของบริษัทเนื่องจากช่วยปรับปรุงบริการ การวิเคราะห์ความรู้สึกเข้ามามีบทบาทที่นี่

การวิเคราะห์ความรู้สึกช่วยในการแสดงความเห็นของลูกค้าเกี่ยวกับสินค้าต่างๆ ผ่านทางข้อมูลข้อความ และในขณะเดียวกันก็ประเมินบทวิจารณ์เหล่านี้ที่แบ่งปันกัน

งานวิจัยประเภทต่างๆ แนะนำว่าการวิเคราะห์ความรู้สึกโดยทั่วไปจะดำเนินการในสามระดับ: ระดับประโยค เอกสาร และวลี [1–3] ขั้นตอนย่อยที่เกี่ยวข้องกับกระบวนการวิเคราะห์ความรู้สึกแสดงไว้ในรูปที่ 1

มีการวิจัยเสนอการใช้เครือข่าย LSTM เพื่อจัดหมวดหมู่บทวิจารณ์ Amazon จำนวนมาก เป็นเทคนิค deeplearning ที่รวดเร็วและให้ผลลัพธ์ที่ดีกว่าแม้จะมีการรีวิวจำนวนมากก็ตาม การศึกษาทางอิเล็กทรอนิกส์ใช้การฝัง word2vec เพื่อการประมาณค่าการแสดงคำในพื้นที่เวกเตอร์อย่างมีประสิทธิภาพ

Word2vec ให้ผลลัพธ์ที่ดีกว่าวิธีการนำเสนอแบบมาตรฐาน เช่น ถุงคำหรือการเข้ารหัสแบบส่วนเดียว การศึกษามุ่งเน้นไปที่สองส่วนเป็นหลัก: การทำแผนที่คำแสดงความรู้สึกอย่างมีประสิทธิภาพลงในปริภูมิเวกเตอร์ผ่านโมเดล word2vec และเครือข่าย LSTM เพื่อจัดประเภทบทวิจารณ์

2. การสำรวจวรรณกรรม

ส่วน +is ประกอบด้วยงานเบื้องหลังที่สำคัญทั้งหมดในหัวข้อการวิเคราะห์ความรู้สึกที่เกี่ยวข้องกับการวิจัยของเรา

เราค้นพบว่างานก่อนหน้านี้ส่วนใหญ่ใช้อัลกอริธึมการเรียนรู้ของเครื่อง อัลกอริธึมการเรียนรู้เชิงลึก และพจนานุกรมความรู้สึก ในตารางที่ 1 เราได้สรุปแนวทางที่ใช้ในการวิจัยและข้อดีและข้อเสียของแนวทางดังกล่าว

ในปี 2013 Sindhu และ Chandrakala [4] ได้สังเกตการณ์เทคนิคล่าสุดและมีประสิทธิภาพที่ใช้ในการศึกษาการวิเคราะห์ความรู้สึก รวมถึงการจำแนกขั้วความรู้สึกและเทคนิคการเรียนรู้ของเครื่องต่างๆ เช่น NaiveBayes, Maximum Entropy และ Support Vector Machine +esurvey เสนอแนะว่าการจำแนกประเภทความรู้สึกสามารถกำหนดได้จากคุณลักษณะ 2 ประการ ได้แก่ การกำหนดขั้ว กล่าวคือ การกำหนดว่าความรู้สึกเป็นบวก ลบ หรือเป็นกลาง และการกำหนดความเข้ม ซึ่งแสดงให้เห็นว่าความรู้สึกแยกจากกันรุนแรงหรือเล็กน้อยในแง่ของขั้ว

จูเรค และคณะ [5] นำเสนอแบบจำลองที่มีอัลกอริธึมการวิเคราะห์ความรู้สึกตามพจนานุกรมซึ่งมีองค์ประกอบหลักสองประการ: ฟังก์ชันบูรณาการตามหลักฐานเชิงประจักษ์ และการทำให้ความรู้สึกเป็นมาตรฐานที่วัดอารมณ์มากกว่าป้ายเชิงบวก/เชิงลบ และช่วยในการแยกแยะอารมณ์ที่แตกต่างกัน

Twitter Corpus ที่เปิดเผยต่อสาธารณะถูกใช้เป็นชุดข้อมูลสำหรับการศึกษานี้ จุดสนใจหลักของการศึกษาคือการวิเคราะห์เนื้อหา Twitter แบบเรียลไทม์

จางและคณะ [6] นำเสนอแนวทางการแบ่งประเภทหลายรูปแบบเพื่อทำการวิเคราะห์ความรู้สึกในการรีวิวอีคอมเมิร์ซ

นอกจากนี้ จาง และคณะ [6] นำเสนอแบบจำลองหลายหมวดหมู่สำหรับการวิเคราะห์ความรู้สึกของการวิจารณ์อีคอมเมิร์ซ +ชุดข้อมูลการตรวจสอบ eAmazon (2018) ถูกนำมาใช้สำหรับการศึกษาที่นำเสนอ ซึ่งอิงตามปัญหาที่มีการถ่วงน้ำหนักโดยตรง +การศึกษาที่นำเสนอระบุว่า โดยการดึงคำเอนทิตีที่มีคุณสมบัติ การประเมินรูปแบบความรู้สึก และการประเมินเส้นทางที่สั้นที่สุดระหว่างโหนด ปัญหาความคล้ายคลึงกันของความรู้สึกสามารถเปลี่ยนเป็นปัญหาของการคำนวณเส้นทางที่สั้นที่สุดได้ เมื่อเปรียบเทียบกับรุ่น BERT [7] รุ่นนี้ทำงานได้ดีกว่าในแง่ของเวลา CPU ของอัลกอริทึม

ดีและคณะ [8] ตรวจสอบอัลกอริธึมการเรียนรู้ของเครื่อง K-NN และ Naive Bayes โดยใช้ตัวชี้วัดการประเมินสามแบบ ตัวแยกประเภท +eNaive Bayes มีประสิทธิภาพเหนือกว่าตัวแยกประเภท K-NN ในงานของพวกเขา

นักวิจัยใน [9] นำเสนอแบบจำลองการจำแนกความรู้สึกด้วยสองเทคนิค +e แนวทางแรกที่เสนอ อัลกอริธึมการจำแนกความรู้สึกใช้ตัวแยกประเภท K-NN และอีกวิธีหนึ่ง ใช้อัลกอริธึม vectormachine สนับสนุน +e ประสิทธิภาพของอัลกอริธึมการจัดหมวดหมู่ได้รับการตรวจสอบตามทวีตจริง +ผลลัพธ์ที่ได้รับแสดงให้เห็นว่าอัลกอริธึมการจำแนกประเภทความรู้สึกมีประสิทธิภาพเหนือกว่า SVM ในการตรวจสอบความถูกต้องของการทดลอง

ใน [10] มีการนำเสนอการเปรียบเทียบวิธีการเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้สอน งาน +eir ให้การวิเคราะห์เปรียบเทียบระหว่างอัลกอริทึมการเรียนรู้แบบมีผู้ดูแล (CNN และ KNN) และแบบไม่มีผู้ดูแล (CNN ที่มี K หมายถึงการจัดกลุ่ม)

ฝาง และคณะ [11] นำเสนอเทคนิคการวิเคราะห์หลายความรู้สึกที่รวมเอาทฤษฎีเซตคลุมเครือ ทฤษฎีการเรียนรู้ของเครื่องจักร และวิธีการที่ใช้พจนานุกรมขั้วขั้วเข้าด้วยกันอย่างมาก จากนั้นบทวิจารณ์ของผู้บริโภคจะได้รับการวิเคราะห์โดยใช้แบบจำลองลูกผสมนี้

การศึกษานี้ใช้อัลกอริทึม Naive Bayes และ SVM +e โมเดล SVM ที่ปรับปรุงแล้ว กล่าวคือ วิธีการแบบไฮบริดที่รวมการวิเคราะห์ความรู้สึกแบบหลายกลยุทธ์เข้ากับ SVM นั้น ประสบความสำเร็จมากกว่ามาก และให้ความแม่นยำ 86.35%

นอกจากนี้ ความแม่นยำเพิ่มขึ้น 3.8% ขณะใช้งาน Naive Bayes ที่อัปเกรดแล้ว นอกจากนี้ นักวิจัยใน [12] ได้นำเสนอวิธีการผสมผสานคำศัพท์และกลไกความสนใจเข้าไปใน CNN +edataset ถูกสร้างขึ้นโดยใช้ทวีต วิธี +e ได้รับการประเมินโดยใช้คะแนน F1 +e งานที่ได้รับการแนะนำทำได้ดีกว่างานปัจจุบัน

Preethi et al.[13] นำเสนอระบบแนะนำแบบ Recursive Neural Network (RNN) (RDSA)

การเรียนรู้เชิงลึกถูกนำมาใช้เพื่อเพิ่มประสิทธิภาพข้อเสนอแนะที่เน้นการวิเคราะห์ความรู้สึก และดำเนินการในการทบทวน 3 แบบแยกกันในการศึกษานี้

ประการแรก ชุดข้อมูลได้รับการตรวจสอบและสังเกตลักษณะทางสถิติก่อนที่จะใช้ตัวแยกประเภท Naive Bayes และ RNN +ผลการทดลองแสดงให้เห็นว่าการใช้ RNN ซึ่งเป็นโครงข่ายประสาทเทียมระดับลึก ช่วยเพิ่มความแม่นยำในการวิเคราะห์ความรู้สึก นำไปสู่คำแนะนำที่ดียิ่งขึ้นสำหรับผู้ใช้ และช่วยในการเลือกตำแหน่งเฉพาะโดยขึ้นอยู่กับความต้องการของผู้ใช้

นอกจากนี้ นักวิจัยใน [14] เสนอให้ใช้การเลือกคุณลักษณะที่ใช้ Giniindex และตัวแยกประเภท SVM เพื่อจัดหมวดหมู่ข้อมูล ชุดข้อมูล +e สำหรับการศึกษานี้เป็นชุดบทวิจารณ์ภาพยนตร์จำนวนมาก

จากผลการทดลองพบว่าวิธีที่เสนอมีความแม่นยำน้อยกว่าวิธีอื่นๆ Chen และคณะแนะนำ RNN ที่มีรั้วรอบขอบชิดซึ่งมีการเชื่อมต่อระหว่างความคิดเห็น [15]. +isapproach มีความแม่นยำประมาณ 92.6%

สำหรับการจำแนกประเภท มีการเสนอหน่วยการเกิดซ้ำที่มีรั้วรอบขอบชิดแบบสองทิศทาง (BiGRU) ที่จับคู่กับกลไกการดูแลระบบถูกเสนอไว้ใน [16] พบว่าแนวทาง +is มีประสิทธิภาพสำหรับงานจำแนกประเภทและสร้างผลลัพธ์ที่ดีกว่าวิธีการที่ใช้ก่อนหน้านี้ โดยมีความแม่นยำ 93.1% นักวิจัยเสนอแบบจำลองการวิเคราะห์ความรู้สึกทดแทนที่รวม CNN และ BiGRU ที่เน้นความสนใจเข้าด้วยกัน

ด้วยการผสานรวมคุณประโยชน์ของพจนานุกรมความคิดเห็นเข้ากับเทคโนโลยีการเรียนรู้เชิงลึก จะช่วยชดเชยข้อบกพร่องในรูปแบบการวิเคราะห์ความรู้สึกแบบดั้งเดิมสำหรับการรีวิวผลิตภัณฑ์ +e sentimentlexicon รองรับคุณลักษณะความรู้สึกที่พบในบทวิจารณ์ และ CNN ที่ใช้ร่วมกับเครือข่ายหน่วยหมุนเวียนที่มีรั้วรอบขอบชิดจะแยกคุณลักษณะความรู้สึกที่สำคัญและองค์ประกอบบริบท แบบจำลอง +e ที่แนะนำให้ความแม่นยำ 93.5% ในการวิเคราะห์เชิงทดลอง ซึ่งพบว่าสูงกว่าแบบจำลอง NB, SVM และ CNN ฮยอน และคณะ [18] แนะนำโมเดลโครงข่ายประสาทเทียมแบบหมุนวนตามการพึ่งพาเป้าหมาย +e วิธีที่แนะนำช่วยในการประเมินผลกระทบของคำที่อยู่รอบๆ คำเป้าหมายโดยการคำนวณระยะห่างระหว่างคำเป้าหมายและคำที่อยู่รอบๆ การศึกษาของ +eir พบว่าแต่ละเทอมในประโยคมีผลกระทบที่แตกต่างกันต่อขั้วทางอารมณ์ของประโยค
โมเดลการเรียนรู้เชิงลึกแบบไฮบริดที่บูรณาการวิธีการฝังคำหลายวิธีอย่างเป็นระบบ (Word2vec, FastText และการฝังระดับอักขระ) และวิธีการเรียนรู้เชิงลึกหลายวิธี (LSTM, GRU, BiLSTM และ CNN) ได้รับการเสนอโดยนักวิจัยใน [19] +e โมเดลที่แนะนำได้รับคุณลักษณะต่างๆ โดยการแตกข้อมูลโดยใช้วิธีการฝังคำต่างๆ ผสานเข้าด้วยกัน และจัดประเภทข้อความเป็นแบบ Persentiment

เพื่อตรวจสอบประสิทธิภาพของโมเดลที่แนะนำ โมเดลการเรียนรู้เชิงลึกจำนวนมากที่เรียกว่าโมเดลมาตรฐานจึงถูกสร้างขึ้นและใช้เพื่อทำการทดลองชุดหนึ่ง เมื่อเปรียบเทียบประสิทธิภาพของแบบจำลองที่นำเสนอกับการวิจัยก่อนหน้านี้ โมเดลใหม่มีประสิทธิภาพเหนือกว่าโมเดลพื้นฐาน ตามผลการศึกษาครั้งนี้

For more information:1950477648nn@gmail.com