E-Ticaret İncelemelerinin Verimli Uzun Kısa Dönemli Bellek Tabanlı Duyarlılık Analizi Bölüm 1

Günümüzün modern çağında, e-ticaret, malların herkesin erişimine sunulması sürecinde ilerleme kaydediyor. Tüketicilerin, bir şeyler satın almak için evlerinin konforundan dışarı çıkmalarına bile gerek kalmıyor, bu da onlar için çok kolaylık sağlıyor.

Modern teknolojinin sürekli gelişmesi ve e-ticaretin hızla gelişmesiyle birlikte hayatlarımız daha rahat ve verimli hale geldi ve bu durum hafızamızı da bir ölçüde etkiledi. Ancak e-ticaret ile hafıza arasında gerçekten de bir ilişki var ve bu ilişki pozitif ve yukarı yönlü.

Her şeyden önce e-ticaret bize daha rahat bir alışveriş yöntemi sağlıyor. Artık bizzat alışveriş yapmak için AVM'ye gitmemize gerek yok. Sadece birkaç tıklamayla ihtiyacımız olan ürünler ekspres teslimat yoluyla bize teslim edilebilir. Bu alışveriş şekli uzun bekleme ve kalabalık endişelerini ortadan kaldırarak zamandan ve enerjiden tasarruf etmemizi sağlıyor. E-ticaretin gelişmesiyle birlikte alışveriş yapmak için sesli alışveriş, akıllı öneriler vb. gibi daha akıllı teknolojileri kullanabiliriz. Bu teknolojiler alışverişimizi daha rahat ve verimli hale getirebilir.

İkincisi, e-ticaret aynı zamanda bilgi ve verileri daha iyi yönetmemize de yardımcı olabilir, bu da hafızamıza ve iş verimliliğimize faydalıdır. Önemli bilgileri kaydetmek ve paylaşmak için e-posta, bulut diskler ve çevrimiçi notlar gibi araçları kullanabilir, beynimizi özgürleştirebiliriz. Bu araçlar bilgiyi daha iyi organize etmemize ve yönetmemize yardımcı olarak beynimizin yalnızca en önemli şeylere odaklanmasını sağlar. Bu durumda hafızamız hala eğitilmiştir çünkü bu teknikleri ve araçları bilgiyi hatırlamaya çalışmak yerine hatırlamamıza yardımcı olmak için kullanırız.

Son olarak e-ticaret aynı zamanda öğrenmemize ve gelişmemize de yardımcı olabilir, bu da hafızamız ve entelektüel gelişimimiz için çok faydalıdır. Çevrimiçi kurslar, e-kitaplar, çevrimiçi öğrenme platformları ve diğer araçlar aracılığıyla yeni bilgi ve beceriler öğrenebiliriz. Bu araçlar bilgiyi daha iyi yönetmemize ve ustalaşmamıza olanak tanırken, aynı zamanda mesleki ve kişisel yaşamlarımızı daha iyi geliştirmemize de yardımcı olur. Bu şekilde öğrenme düşüncemizi harekete geçirebilir, hafızamızı ve yaratıcılığımızı geliştirebilir.

Genel olarak, e-ticaret ile hafıza arasında aslında bir ilişki var ama bu pozitif ve yukarıya doğru bir ilişki. E-ticareti yaşam kalitemizi ve iş verimliliğimizi artırmak için kullanabileceğimiz gibi zekamızı ve hafızamızı geliştirmek için de kullanabiliriz. Bu nedenle hayatımıza ve kariyer gelişimimize daha fazla pozitif enerji katmak için bu teknoloji ve araçları aktif olarak kullanmalıyız. Belleği geliştirmemiz gerektiği görülebilir ve Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir çünkü Cistanche Deserticola, birçok benzersiz etkiye sahip olan geleneksel bir Çin tıbbi malzemesidir ve bunlardan biri hafızayı geliştirmektir. Kıymanın etkinliği asit, polisakkaritler, flavonoidler vb. dahil olmak üzere içerdiği çeşitli aktif bileşenlerden gelir. Bu bileşenler beyin sağlığını çeşitli şekillerde geliştirebilir.

Belleği geliştirmenin 10 yolunu bilin'e tıklayın

Üstelik aralarından seçim yapabileceğiniz çok çeşitli markalar var. Günümüzde daha fazla müşteri çevrimiçi alışveriş platformlarına bağımlı olduğundan, derecelendirmelerin değeri de artıyor. İnsanlar bu ürünleri satın almak için yalnızca ürünler hakkında sağlanan incelemelere güveniyorlar.

Bu incelemeleri analiz etmek için hem alıcılar hem de üretici için yararlı olabilecek duyarlılık analizinin yapılması gerekir. Bu makale duyarlılık analizi sürecini ve gerekliliklerini açıklamaktadır.

Bu yazıda, araştırmamızı gerçekleştirmek için Amazon Review veri kümesi 2018 kullanılmış ve Uzun Kısa Süreli Bellek (LSTM) word2vec temsiliyle birleştirilerek genel performansın iyileştirilmesi sağlanmıştır.

Eğitim sürecinde LSTM tarafından bir geçit mekanizması kullanıldı. Önerilen LSTM modeli dört performans ölçümüne göre değerlendirildi: doğruluk, kesinlik, hatırlama ve F1score ve diğer temel modellerle karşılaştırıldığında genel olarak daha yüksek sonuçlar elde etti.

1. Giriş

İletişim, tarihsel çağlardan beri sosyal ilişkilerin güçlendirilmesinde önemli bir rol oynamıştır. Günümüzde etkili bir ağ oluşturma aracına dönüşen sosyal medya, toplumun neredeyse her kesimi tarafından kullanılıyor. Sosyal medyanın ana kısmını e-ticaret siteleri oluşturuyor.

E-ticaret teknolojilerinin hızla gelişmesi nedeniyle insanların çoğunluğu artık çevrimiçi satın almayı tercih ediyor. İnsanlar, müşterinin deneyimine dayalı olarak olumlu ya da olumsuz olabilecek çeşitli durumlar, öğeler ve kaynaklar hakkında geri bildirim sağlamak için sosyal medyayı kullanabilir.

Olumsuz yorumlar, hizmetlerin iyileştirilmesine yardımcı olduğundan şirketin büyümesinde önemli bir rol oynamaktadır. Burada duygu analizi devreye giriyor.

Duygu analizi, metin bilgileri yoluyla müşterinin farklı ürünler hakkındaki bakış açısını aktarmaya ve aynı zamanda paylaşılan bu incelemeleri değerlendirmeye yardımcı olur.

Çeşitli araştırma türleri, duygu analizinin genellikle üç düzeyde gerçekleştirildiğini ileri sürmektedir: cümle, belge ve ifade düzeyi [1-3]. Duygu analizi sürecinde yer alan alt adımlar Şekil 1'de gösterilmektedir.

Araştırma, çok sayıda Amazon yorumunu sınıflandırmak için LSTM ağlarının kullanılmasını önermektedir. Derin öğrenme tekniği hızlıdır ve çok sayıda incelemede bile daha iyi sonuçlar verir. Bu çalışma, vektör uzayındaki kelime temsillerinin etkin tahmini için word2vec yerleştirmeyi kullanmaktadır.

Word2vec, kelime çantası veya tek parçalı kodlama gibi standart gösterim yöntemlerinden daha iyi sonuçlar sağlar. Bu çalışma temel olarak iki bölüme odaklanmaktadır: Word2vec modeli ve incelemeleri sınıflandırmak için LSTM ağı aracılığıyla duygu sözcüklerinin vektör uzayına verimli bir şekilde eşlenmesi.

2. Literatür Taraması

+Bu bölüm, araştırmamızla ilgili duygu analizi konusuna ilişkin tüm önemli arka plan çalışmalarını içermektedir.

Daha önceki çalışmaların çoğunun makine öğrenimi algoritmaları, derin öğrenme algoritmaları ve duygu sözlüğü kullandığını keşfettik. Tablo 1'de araştırmada kullanılan yaklaşımları ve yaklaşımların avantaj ve dezavantajlarını özetledik.

2013 yılında Sindhu ve Chandrakala [4], duygu kutupluluğu sınıflandırması ve NaiveBayes, Maksimum Entropi ve destek vektör makinesi gibi çeşitli makine öğrenme teknikleri dahil olmak üzere duygu analizini incelemek için kullanılan yeni ve etkili teknikleri gözlemlediler. +esurvey, duygu sınıflandırmasının iki özellik tarafından belirlenebileceğini öne sürüyor: kutup ataması, yani duyarlılığın pozitif, negatif veya nötr olup olmadığının belirlenmesi ve yoğunluk ataması, bu da belirli bir duygunun kutupsallık açısından ne kadar güçlü veya hafif olduğunu gösterir.

Jurek ve ark. [5] iki temel bileşeni içeren sözlüğe dayalı duygu analizi algoritmasına sahip bir model sundu: olumlu/negatif bir etiket yerine duyguyu ölçen ve farklı duyguların farklılaşmasına yardımcı olan kanıta dayalı entegrasyon işlevi ve duygu normalizasyonu.

Bu çalışma için veri seti olarak halka açık bir Twitter Corpus kullanıldı; çalışmanın ana odağı gerçek zamanlı Twitter içerik analiziydi.

Zhang ve diğerleri. [6], e-ticaret incelemelerinde duyarlılık analizi gerçekleştirmek için çoklu sınıflandırma yaklaşımı sundu.

Ayrıca Zhang ve ark. [6], e-ticaret incelemelerinin duyarlılık analizi için çoklu sınıflandırma modeli sundu. Yönlendirilmiş ağırlıklı bir probleme dayanan önerilen çalışma için +eAmazon inceleme veri seti (2018) kullanıldı. Önerilen çalışma, özellik içeren varlık kelimelerinin çıkarılması, duygu kalıplarının değerlendirilmesi ve düğümler arasındaki en kısa yolun değerlendirilmesi yoluyla, duygu benzerliği probleminin bir en kısa yol hesaplama problemine dönüştürülebileceğini belirtmiştir. BERT modeliyle [7] karşılaştırıldığında bu model, algoritmanın CPU süresi açısından daha iyi performans gösterdi.

Dey ve ark. [8], üç değerlendirme metriğini kullanarak makine öğrenme algoritmaları K-NN ve Naive Bayes'i inceledi. +eNaive Bayes sınıflandırıcısı, çalışmalarında K-NN sınıflandırıcısından daha iyi performans gösterdi.

[9]'daki araştırmacılar iki teknikle bir duygu sınıflandırma modeli sundular. Önerilen ilk yaklaşımda, K-NN sınıflandırıcısını kullanan duygu sınıflandırma algoritması, diğerinde ise destek vektör makinesi algoritması kullanılmıştır. +e sınıflandırma algoritmasının verimliliği gerçek tweetlere dayanarak doğrulandı. Elde edilen sonuçlar, duyarlılık sınıflandırma algoritmasının deneysel doğrulamada SVM'den daha iyi performans gösterdiğini gösterdi.

[10]'da denetimli ve denetimsiz öğrenme yöntemlerinin bir karşılaştırması sunulmuştur. +çalışmaları denetimli (CNN ve KNN) ve denetimsiz (K kümeleme anlamına gelen CNN) öğrenme algoritmalarının karşılaştırmalı bir analizini sağladı.

Fang ve diğerleri. [11] bulanık küme teorisini, makine öğrenimi teorisini ve kutupsallık sözlüğüne dayalı bir yöntemi büyük ölçüde birleştiren bir çoklu duygu analizi tekniğini tanıttı. Daha sonra tüketici yorumları bu hibrit model kullanılarak analiz edildi.

Bu çalışma için Naive Bayes ve SVM algoritmaları kullanılmıştır. +e geliştirilmiş SVM modeli, yani çoklu strateji duyarlılığı analizini SVM ile birleştiren hibrit bir yöntem, çok daha başarılıydı ve %86.35'lik bir doğruluk verdi.

Ek olarak, yükseltilmiş Naive Bayes uygulanırken doğrulukta %3,8'lik bir artış gözlemlendi. Ek olarak, [12]'deki araştırmacılar sözcüksel yerleştirmeleri ve bir dikkat mekanizmasını CNN'e dahil etmenin bir yolunu sundular. +edataset tweet'ler kullanılarak oluşturuldu. +e yöntemi F1 puanı kullanılarak değerlendirildi. +Önerilen çalışmalar mevcut olanlardan daha iyi performans gösterdi.

Özyinelemeli Sinir Ağı (RNN) tabanlı bir öneri sistemi (RDSA), Preethi ve arkadaşları[13] tarafından tanıtıldı.

Duygu analizi merkezli önerileri optimize etmek için derin öğrenmeden yararlanıldı ve bu çalışmada üç ayrı inceleme yapıldı.

Naive Bayes sınıflandırıcısı ve RNN uygulanmadan önce öncelikle veri setleri incelenmiş ve istatistiksel yönleri gözlemlenmiştir. Denemelerin sonuçları, derin bir sinir ağı olan RNN'nin kullanılmasının, duygu analizinin doğruluğunu artırdığını, kullanıcılara daha iyi önerilerde bulunulduğunu ve kullanıcıların gereksinimlerine göre özel konumun seçilmesine yardımcı olduğunu gösterdi.

Ayrıca, [14]'teki araştırmacılar, verileri kategorilere ayırmak için Giniindex tabanlı bir özellik seçimi ve bir SVM sınıflandırıcı kullanmayı önerdiler. Bu çalışmanın veri kümesi geniş bir film incelemeleri koleksiyonundan oluşuyordu.

Deneylerden elde edilen bulgulara göre önerilen yöntemin diğer yöntemlere göre daha az doğru olduğu belirlendi. Görüşler arası bağlantılara sahip kapılı bir RNN, Chen ve diğerleri tarafından tanıtıldı. [15]. +isyaklaşımının doğruluğu yaklaşık %92,6 idi.

Sınıflandırma için, [16]'da dikkat mekanizmasıyla eşleştirilmiş çift yönlü kapılı tekrarlayan birim (BiGRU) önerilmiştir. +bu yaklaşımın sınıflandırma görevlerinde etkili olduğu ve %93,1 doğrulukla daha önce kullanılan yöntemlere göre daha iyi sonuçlar ürettiği görüldü. CNN ve dikkat temelli BiGRU'yu içeren bir değiştirme duyarlılığı analizi modeli araştırmacılar tarafından [17]'de önerilmiştir.

Duygu sözlüğünün faydalarını derin öğrenme teknolojisiyle entegre ederek, ürün incelemelerine yönelik geleneksel duygu analizi modelindeki kusurları telafi eder. +e senselexicon, incelemelerde bulunan duyarlılık niteliklerini destekler ve kapılı tekrarlayan birim ağıyla birlikte kullanılan CNN, önemli duyarlılık özelliklerini ve bağlam öğelerini çıkarır. Önerilen modelin deneysel analizde %93,5 doğruluk verdiği ve bunun NB, SVM ve CNN modellerinden daha yüksek olduğu görülmüştür. Hyun ve diğerleri. [18]hedef bağımlılığına dayanan evrişimli bir sinir ağı modeli önerdi. Önerilen yöntem, hedef kelime ile onu çevreleyen kelimeler arasındaki mesafeyi hesaplayarak, çevredeki kelimelerin hedef kelime üzerindeki etkisini değerlendirmeye yardımcı olur. Araştırmaları, bir cümledeki her bir terimin, o ifadenin duygusal kutupluluğu üzerinde farklı bir etkiye sahip olduğunu buldu.
Çoklu kelime yerleştirme yaklaşımlarını (Word2vec, FastText ve karakter düzeyinde yerleştirme) ve çeşitli derin öğrenme yöntemlerini (LSTM, GRU, BiLSTM ve CNN) sistematik olarak bütünleştiren hibrit bir derin öğrenme modeli, araştırmacılar tarafından [19]'da önerilmiştir. Önerilen model, çeşitli kelime gömme yöntemleri kullanarak özellikleri çıkararak özellikler elde ediyor, birleştiriyor ve metni algı olarak sınıflandırıyor.

Önerilen modelin performansını doğrulamak için standart modeller olarak bilinen çok sayıda derin öğrenme modeli oluşturuldu ve bir dizi deney yürütmek için kullanıldı. Önerilen modelin performansı daha önceki araştırmalarla karşılaştırıldığında, bu çalışmanın bulgularına göre yeni model temel modellerden daha iyi performans göstermektedir.

For more information:1950477648nn@gmail.com