電子商取引レビューの効率的な長期短期記憶ベースのセンチメント分析パート 1
Jan 18, 2024
現代では、電子商取引が進み、誰もが商品を手にできるようになりました。消費者は、自宅から一歩も出ずに物を買うことができ、非常に便利になりました。
現代技術の継続的な発展と電子商取引の急速な発展により、私たちの生活はより便利で効率的になり、それは私たちの記憶にもある程度影響を与えています。 しかし、電子商取引と記憶の間には確かに関係があり、その関係は前向きかつ上向きです。
まず第一に、電子商取引は私たちに、より便利な買い物方法を提供します。 私たちはもはやショッピングモールに直接買い物に行く必要はありません。 マウスを数回クリックするだけで、必要な商品を速達便で届けることができます。 この形式のショッピングでは、長い待ち時間や混雑の心配がなくなり、時間とエネルギーを節約できます。 電子商取引の発展により、音声ショッピングやインテリジェントなレコメンデーションなど、よりインテリジェントなテクノロジーを使用してショッピングできるようになりました。これらのテクノロジーにより、ショッピングがより便利で効率的になります。
第二に、電子商取引は情報とデータの管理を改善するのにも役立ち、記憶力と作業効率に有益です。 私たちは電子メール、クラウド ディスク、オンライン メモなどのツールを使用して重要な情報を記録して共有し、脳を解放することができます。 これらのツールは、情報をより適切に整理および管理するのに役立ち、脳が最も重要なことだけに集中できるようにします。 この場合、情報を覚えようとするのではなく、情報を思い出すのに役立つこれらのテクニックやツールを使用するため、私たちの記憶力は依然として訓練されています。
最後に、電子商取引は私たちの学習と発達にも役立ち、記憶力と知的発達に非常に有益です。 私たちは、オンライン コース、電子書籍、オンライン学習プラットフォーム、その他のツールを通じて新しい知識やスキルを学ぶことができます。 これらのツールを使用すると、知識をより適切に管理および習得できると同時に、職業生活や私生活をより良く発展させるのにも役立ちます。 この学習方法は、私たちの思考を刺激し、記憶力と創造性を向上させることができます。
全体として、電子商取引と記憶の間には確かに関係がありますが、それは前向きで上向きの関係です。 私たちは電子商取引を利用して、生活の質や仕事の効率を向上させることができます。また、知能や記憶力を向上させるためにも利用できます。 したがって、私たちはこれらのテクノロジーやツールを積極的に活用して、私たちの生活やキャリア開発にさらにポジティブなエネルギーを加える必要があります。 私たちは記憶力を向上させる必要があることが分かります。カンクサは多くのユニークな効果を持つ伝統的な漢方薬素材であり、そのうちの 1 つは記憶力の向上であるため、カンクサは記憶力を大幅に向上させることができます。 ひき肉の効能は、酸、多糖類、フラボノイドなどを含む、ひき肉に含まれるさまざまな有効成分によってもたらされます。これらの成分は、さまざまな方法で脳の健康を促進します。
さらに、ブランドの種類も豊富で選択肢が豊富です。 最近ではオンライン ショッピング プラットフォームに依存する顧客が増えているため、評価の価値も高まっています。 これらの製品を購入する場合、人々は製品について提供されているレビューのみを頼りにします。
これらのレビューを分析するには、感情分析を実行する必要があります。これは、購入者と製造者の両方にとって有益であることがわかります。 この論文では、センチメント分析のプロセスとその要件について説明しています。
この論文では、Amazon Reviewdataset 2018 を研究の実行に使用し、Long Short-Term Memory (LSTM) を word2vec 表現と組み合わせて、全体的なパフォーマンスを向上させました。
LSTM では、トレーニング プロセス中にゲート メカニズムが使用されました。 提案された LSTM モデルは、精度、精度、再現率、F1 スコアの 4 つのパフォーマンス尺度で評価され、他のベースライン モデルと比較して全体的に高い結果が得られました。
1. はじめに
コミュニケーションは有史以来、社会関係を促進する上で重要な役割を果たしてきました。 今日では、社会のほぼすべての層がソーシャル メディアを使用しており、ソーシャル メディアは非効率的なネットワーキング ツールへと進化しています。 ソーシャルメディアの主要部分は電子商取引サイトで構成されます。
電子商取引技術の急速な進歩により、大多数の人がオンラインで購入することを選択するようになりました。 人々はソーシャルメディアを使用して、顧客の経験に基づいて、さまざまな状況、アイテム、リソースに関するフィードバックを、肯定的または否定的である可能性があります。
好ましくないコメントはサービスの向上に役立つため、会社の成長にとって重要な役割を果たします。 ここで感情分析が役に立ちます。
センチメント分析は、テキスト情報を通じてさまざまな商品に対する顧客の視点を伝え、同時に共有されたレビューを評価するのに役立ちます。
さまざまな種類の研究は、感情分析が通常、文、文書、および語句レベルの 3 つのレベルで行われることを示唆しています [1–3]。 センチメント分析のプロセスに含まれるサブステップを図 1 に示します。
研究では、大量の Amazon レビューを分類するために LSTM ネットワークを使用することが提案されています。 Deeplearning 技術は高速であり、多数のレビューでもより良い結果が得られます。 この研究では、ベクトル空間内の単語表現を効率的に推定するために word2vec 埋め込みを使用しています。
Word2vec は、バッグ オブ ワードや 1 部エンコードなどの標準的な表現方法よりも優れた結果を提供します。 この研究は主に 2 つの部分に焦点を当てています。1 つは、word2vec モデルと LSTM ネットワークを使用して、レビューを分類するための感情ワードのベクトル空間への効率的なマッピングです。
2. 文献調査
+ セクションには、私たちの研究に関連する感情分析の主題に関するすべての重要な背景作業が含まれています。
私たちは、初期の作品のほとんどが機械学習アルゴリズム、深層学習アルゴリズム、感情語彙を使用していることを発見しました。 表 1 に、研究で使用されたアプローチとそのアプローチの長所と短所をまとめました。
2013 年に、Sindhu と Chandrakala [4] は、感情極性分類や、NaiveBayes、最大エントロピー、サポート ベクター マシンなどのさまざまな機械学習手法を含む、感情分析の研究に使用されている最新の効率的な手法を観察しました。 +esurvey は、センチメントの分類が 2 つの属性によって決定できることを示唆しています。極性の割り当て、つまりセンチメントがポジティブ、ネガティブ、またはニュートラルのいずれであるかを決定するものと、特定のセンチメントが極性の観点からどの程度強いか弱いかを示す強度の割り当てです。
ジュレクら。 [5] は、証拠に基づく統合関数と、ポジティブ/ネガティブのラベルではなく感情を測定し、さまざまな感情の区別を支援する感情の正規化という 2 つの重要なコンポーネントを含む、語彙ベースの感情分析アルゴリズムを備えたモデルを提示しました。
公開されている Twitter コーパスがこの研究のデータセットとして使用され、研究の主な焦点はリアルタイムの Twitter コンテンツ分析です。
張ら。 [6] は、電子商取引レビューのセンチメント分析を実行するための多分類アプローチを提示しました。
さらに、Zhang et al. [6] は、電子商取引レビューのセンチメント分析のための多分類モデルを提示しました。 +eAmazon レビュー データセット (2018) は、有向重み付け問題に基づいた提案された研究に使用されました。 +提案された研究では、特徴を持つエンティティ単語の抽出、感情パターンの評価、ノード間の最短経路の評価によって、感情の類似性の問題を最短経路の計算の問題に変換できると述べています。 BERT モデル [7] と比較すると、このモデルはアルゴリズムの CPU 時間の点でより優れたパフォーマンスを発揮しました。
デイら。 [8] は、3 つの評価指標を使用して、機械学習アルゴリズム、K-NN および Naive Bayes を検証しました。 +eNaive Bayes 分類器は、彼らの研究において K-NN 分類器を上回りました。
[9] の研究者は、2 つの手法を使用した感情分類モデルを発表しました。 最初に提案されたアプローチでは、感情分類アルゴリズムに K-NN 分類器が使用され、もう 1 つのアプローチではサポート ベクターマシン アルゴリズムが使用されました。 +e 分類アルゴリズムの効率は実際のツイートに基づいて検証されました。 +得られた結果は、感情分類アルゴリズムが実験検証において SVM よりも優れていることを示しました。
[10] では、教師あり学習方法と教師なし学習方法の比較が示されています。 +eir の研究では、教師あり (CNN と KNN) 学習アルゴリズムと教師なし (K を含む CNN はクラスター化を意味します) 学習アルゴリズムの比較分析が提供されました。
ファングら。 [11] は、ファジー集合理論、機械学習理論、および極性語彙ベースの方法を多大に組み込んだマルチセンチメント分析手法を導入しました。その後、消費者のレビューはこのハイブリッド モデルを使用して分析されました。
この研究にはナイーブ ベイズおよび SVM アルゴリズムが使用されました。 +e 強化された SVM モデル、つまりマルチ戦略感情分析と SVM を組み合わせたハイブリッド手法は、はるかに成功しており、86.35% の精度が得られました。
さらに、アップグレードされた Naive Bayes を実装すると、精度が 3.8% 向上することが観察されました。 さらに、研究者らは [12] で、語彙埋め込みとアテンション メカニズムを CNN に組み込む方法を提示しました。 +edataset はツイートを使用して作成されました。 +e メソッドは F1 スコアを使用して評価されました。 +e 提案された作品は、現在の作品よりも優れたパフォーマンスを発揮しました。
再帰的ニューラル ネットワーク (RNN) ベースの推奨システム (RDSA) は、Preethi らによって導入されました [13]。
この調査では、センチメント分析を中心とした提案を最適化するために深層学習が利用され、3 つの個別のレビューで実行されました。
まず、Naive Bayes 分類器と RNN を実装する前に、データセットが調査され、その統計的側面が観察されました。 +トライアルの結果は、ディープニューラルネットワークであるRNNを使用することで感情分析の精度が向上し、ユーザーに対するより詳細な提案につながり、ユーザーの要件に応じて特定の位置の選択を支援することが示されました。
さらに、[14] の研究者は、Giniindex ベースの特徴選択と SVM 分類器を使用してデータを分類することを提案しました。 この研究の +e データセットは、映画レビューの大規模なコレクションでした。
実験の結果に基づいて、提案された方法は他の方法よりも精度が低いと判断されました。 オピニオン間の接続を備えたゲート RNN は、Chen らによって導入されました。 [15]。 +isapproach の精度は約 92.6% でした。
分類のために、注意メカニズムと組み合わせた双方向ゲート反復ユニット (BiGRU) が [16] で提案されました。 +is アプローチは分類タスクに効果的であることが判明し、以前に使用された方法よりも 93.1% の精度で優れた結果が得られました。 CNN とアテンションベースの BiGRU を組み込んだ代替センチメント分析モデルは、[17] で研究者によって提案されました。
センチメント レキシコンの利点をディープ ラーニング テクノロジーと統合することで、製品レビュー用の従来のセンチメント分析モデルの欠陥を補います。 +eセンチメントレキシコンは、レビューで見つかったセンチメント属性をサポートし、ゲート付きリカレントユニットネットワークと組み合わせて使用されるCNNは、重要なセンチメント特徴とコンテキスト要素を抽出します。 +e が提案したモデルは実験解析で 93.5% の精度を示し、NB、SVM、および CNN モデルよりも高いことが判明しました。 ヒョンら。 [18]ターゲット依存性に基づいた畳み込みニューラル ネットワーク モデルを提案しました。 +e 推奨の方法は、ターゲット単語と周囲の単語の間の距離を計算することで、ターゲット単語に対する周囲の単語の影響を評価するのに役立ちます。 +eirの研究では、文中の各用語がその文の感情的な極性にさまざまな影響を与えていることがわかりました。
複数の単語埋め込みアプローチ (Word2vec、FastText、および文字レベル埋め込み) といくつかの深層学習手法 (LSTM、GRU、BiLSTM、および CNN) を体系的に統合するハイブリッド深層学習モデルが、[19] で研究者によって提案されました。 +e が提案するモデルは、さまざまな単語埋め込み手法を使用して特徴を抽出することで特徴を取得し、それらをマージし、テキストを知覚として分類します。
提案されたモデルのパフォーマンスを検証するために、標準モデルとして知られる多数の深層学習モデルが構築され、一連の実験の実行に使用されました。 この研究の結果によれば、提案されたモデルのパフォーマンスを以前の研究のパフォーマンスと比較すると、新しいモデルはベースラインモデルよりも優れています。
For more information:1950477648nn@gmail.com
