Análisis eficiente de sentimientos de revisiones de comercio electrónico basado en la memoria, a largo plazo y a corto plazo, Parte 1

En la era moderna actual, el comercio electrónico está avanzando en el proceso de poner los productos al alcance de todos. Los consumidores ni siquiera necesitan salir de la comodidad de sus hogares para comprar cosas, lo que lo hace muy conveniente para ellos.

Con el continuo desarrollo de la tecnología moderna y el rápido desarrollo del comercio electrónico, nuestras vidas se han vuelto más cómodas y eficientes, lo que también ha afectado nuestra memoria hasta cierto punto. Sin embargo, efectivamente existe una relación entre el comercio electrónico y la memoria, y la relación es positiva y ascendente.

En primer lugar, el comercio electrónico nos proporciona un método de compra más cómodo. Ya no necesitamos ir al centro comercial a comprar en persona. Con sólo unos pocos clics del ratón, la mercancía que necesitamos nos puede llegar mediante envío urgente. Esta forma de compra elimina las preocupaciones de largas esperas y aglomeraciones, ahorrándonos tiempo y energía. Con el desarrollo del comercio electrónico, podemos utilizar tecnologías más inteligentes para comprar, como compras por voz, recomendaciones inteligentes, etc. Estas tecnologías pueden hacer que nuestras compras sean más convenientes y eficientes.

En segundo lugar, el comercio electrónico también puede ayudarnos a gestionar mejor la información y los datos, lo que resulta beneficioso para nuestra memoria y eficiencia en el trabajo. Podemos utilizar herramientas como el correo electrónico, discos en la nube y notas en línea para registrar y compartir información importante, liberando nuestro cerebro. Estas herramientas nos ayudan a organizar y gestionar mejor la información, asegurando que nuestro cerebro solo necesite centrarse en las cosas más importantes. En este caso, nuestra memoria todavía está entrenada porque utilizamos estas técnicas y herramientas para ayudarnos a recordar la información en lugar de intentar recordarla.

Por último, el comercio electrónico también puede ayudarnos a aprender y desarrollarnos, lo que resulta muy beneficioso para nuestra memoria y nuestro desarrollo intelectual. Podemos aprender nuevos conocimientos y habilidades a través de cursos en línea, libros electrónicos, plataformas de aprendizaje en línea y otras herramientas. Estas herramientas nos permiten gestionar y dominar mejor el conocimiento, al mismo tiempo que nos ayudan a desarrollar mejor nuestra vida profesional y personal. Esta forma de aprender puede estimular nuestro pensamiento y mejorar nuestra memoria y creatividad.

En general, existe una relación entre el comercio electrónico y la memoria, pero es positiva y ascendente. Podemos utilizar el comercio electrónico para mejorar nuestra calidad de vida y eficiencia laboral, y también podemos utilizarlo para mejorar nuestra inteligencia y memoria. Por lo tanto, debemos utilizar activamente estas tecnologías y herramientas para agregar más energía positiva a nuestras vidas y al desarrollo profesional. Se puede ver que necesitamos mejorar la memoria, y Cistanche deserticola puede mejorar significativamente la memoria porque Cistanche deserticola es un material medicinal tradicional chino que tiene muchos efectos únicos, uno de los cuales es mejorar la memoria. La eficacia de la carne picada proviene de los diversos ingredientes activos que contiene, incluidos ácidos, polisacáridos, flavonoides, etc. Estos ingredientes pueden promover la salud del cerebro de varias maneras.

Haz clic en conocer 10 formas de mejorar la memoria

Además, existe una amplia variedad de marcas para elegir. Dado que hoy en día cada vez más clientes dependen de las plataformas de compras en línea, el valor de las calificaciones también está creciendo. Para comprar estos productos, las personas confían únicamente en las reseñas que se brindan sobre los productos.

Para analizar estas reseñas, es necesario realizar un análisis de sentimiento, que puede resultar útil tanto para los compradores como para el fabricante. Este artículo describe el proceso de análisis de sentimientos y sus requisitos.

En este documento, se utilizó el conjunto de datos de Amazon Review 2018 para llevar a cabo nuestra investigación y la memoria a corto plazo (LSTM) se combinó con la representación de word2vec, lo que resultó en una mejora del rendimiento general.

LSTM utilizó un mecanismo de activación durante el proceso de capacitación. El modelo LSTM propuesto se evaluó en función de cuatro medidas de rendimiento: exactitud, precisión, recuperación y puntuación F1, y logró resultados generales más altos en comparación con otros modelos de referencia.

1. Introducción

La comunicación ha jugado un papel clave en el impulso de las relaciones sociales desde tiempos históricos. Hoy en día, casi todos los segmentos de la sociedad utilizan las redes sociales, ya que se han convertido en una herramienta de networking eficaz. La parte principal de las redes sociales comprende los sitios de comercio electrónico.

Debido al rápido avance de las tecnologías del comercio electrónico, la mayoría de las personas ahora optan por comprar en línea. Las personas pueden utilizar las redes sociales para brindar comentarios sobre diversas situaciones, elementos y recursos, que pueden ser positivos o negativos, según la experiencia del cliente.

Los comentarios desfavorables juegan un papel fundamental en el crecimiento de la empresa porque ayudan a mejorar los servicios. Aquí entra en juego el análisis de sentimientos.

El análisis de sentimientos ayuda a revelar el punto de vista de un cliente sobre diferentes productos a través de información de texto y, al mismo tiempo, a evaluar las reseñas compartidas.

Varios tipos de investigaciones sugieren que el análisis de sentimientos generalmente se realiza en tres niveles: oración, documento y frase [1–3]. Los subpasos involucrados en el proceso de análisis de sentimiento se representan en la Figura 1.

Esta investigación propone el uso de redes LSTM para clasificar una gran cantidad de reseñas de Amazon. Esta técnica de aprendizaje profundo es rápida y da mejores resultados incluso para una gran cantidad de revisiones. El estudio utiliza la incrustación de word2vec para la estimación eficiente de representaciones de palabras en el espacio vectorial.

Word2vec proporciona mejores resultados que los métodos de representación estándar, como la bolsa de palabras o la codificación de una parte. Este estudio se centra principalmente en dos partes: Mapeo eficiente de palabras de sentimiento en el espacio vectorial a través del modelo word2vec y la red LSTM para clasificar reseñas.

2. Encuesta de literatura

Esta sección contiene todos los antecedentes importantes sobre el tema del análisis de sentimientos que son relevantes para nuestra investigación.

Descubrimos que la mayoría de los trabajos anteriores empleaban algoritmos de aprendizaje automático, algoritmos de aprendizaje profundo y léxico de sentimientos. En la Tabla 1, hemos resumido los enfoques utilizados en la investigación y las ventajas y desventajas de los enfoques.

En el año 2013, Sindhu y Chandrakala [4] observaron técnicas recientes y eficientes que se emplean para estudiar el análisis de sentimientos, incluida la clasificación de la polaridad del sentimiento y varias técnicas de aprendizaje automático, como NaiveBayes, máxima entropía y máquina de vectores de soporte. +esurvey sugiere que la clasificación del sentimiento puede ser determinada por dos atributos, la asignación de polaridad, es decir, determinar si el sentimiento es positivo, negativo o neutral, y la asignación de intensidad, que describe qué tan fuerte o suave es un sentimiento particular en términos de polaridad.

Jurek et al. [5] presentaron un modelo con un algoritmo de análisis de sentimientos basado en léxico que incluía dos componentes clave: función de integración basada en evidencia y normalización de sentimientos que medía la emoción en lugar de una etiqueta positiva/negativa y ayudaba a diferenciar diferentes emociones.

Se utilizó un Corpus de Twitter disponible públicamente como conjunto de datos para este estudio, siendo el enfoque principal del estudio el análisis del contenido de Twitter en tiempo real.

Zhang et al. [6] presentó un enfoque de clasificación múltiple para realizar análisis de sentimiento en reseñas de comercio electrónico.

Además, Zhang et al. [6] presentaron un modelo de clasificación múltiple para el análisis de sentimiento de reseñas de comercio electrónico. +eAmazon review dataset (2018) se utilizó para el estudio propuesto, que se basó en un problema ponderado dirigido. Un estudio propuesto afirmó que, mediante la extracción de palabras de entidad con características, la evaluación de patrones de sentimiento y la evaluación del camino más corto entre nodos, el problema de la similitud de sentimiento podría transformarse en un problema de cálculo del camino más corto. En comparación con el modelo BERT [7], este modelo funcionó mejor en términos de tiempo de CPU del algoritmo.

Dey et al. [8] examinaron los algoritmos de aprendizaje automático, K-NN y Naive Bayes, utilizando tres métricas de evaluación. + El clasificador Naive Bayes superó al clasificador K-NN en su trabajo.

Los investigadores en [9] presentaron un modelo de clasificación de sentimientos con dos técnicas. En el primer enfoque propuesto, el algoritmo de clasificación de sentimientos empleó el clasificador K-NN y en el otro, se utilizó el algoritmo de máquina de vectores de soporte. +La eficiencia del algoritmo de clasificación fue validada en base a tweets reales. Los resultados obtenidos mostraron que el algoritmo de clasificación de sentimientos superó a SVM en la validación experimental.

En [10], se presentó una comparación de métodos de aprendizaje supervisados ​​y no supervisados. Su trabajo proporcionó un análisis comparativo de algoritmos de aprendizaje supervisados ​​(CNN y KNN) y no supervisados ​​(CNN con K significa agrupamiento).

Fang et al. [11] introdujeron una técnica de análisis de sentimientos múltiples que incorpora en gran medida la teoría de conjuntos difusos, la teoría del aprendizaje automático y un método basado en el léxico de polaridad. Luego se analizaron las reseñas de los consumidores utilizando este modelo híbrido.

Para este estudio se utilizaron los algoritmos Naive Bayes y SVM. El modelo SVM mejorado, es decir, un método híbrido que combina el análisis de sentimiento multiestrategia con el SVM, fue mucho más exitoso y proporcionó una precisión del 86.35 %.

Además, se observó un aumento del 3,8 % en la precisión al implementar Naive Bayes actualizado. Además, los investigadores en [12] presentaron una forma de incorporar incrustaciones léxicas y un mecanismo de atención en CNN. +edataset se creó utilizando tweets. El método se evaluó utilizando la puntuación F1. +Los trabajos sugeridos tuvieron un mejor desempeño que los actuales.

Preethi et al. [13] introdujeron un sistema de recomendación basado en una red neuronal recursiva (RNN) (RDSA).

Se utilizó el aprendizaje profundo para optimizar las sugerencias centradas en el análisis de sentimientos y se realizó en tres revisiones separadas en este estudio.

En primer lugar, se investigaron los conjuntos de datos y se observaron sus aspectos estadísticos antes de implementar el clasificador Naive Bayes y el RNN. +Los resultados de las pruebas mostraron que el uso de RNN, una red neuronal profunda, mejoró la precisión del análisis de sentimientos, lo que generó sugerencias más precisas para los usuarios y ayudó en la selección de una posición particular según los requisitos de los usuarios.

Además, los investigadores en [14] propusieron utilizar una selección de características basada en Giniindex y un clasificador SVM para categorizar datos. El conjunto de datos para este estudio fue una gran colección de reseñas de películas.

Según los hallazgos de los experimentos, se determinó que el método propuesto era menos preciso que otros métodos. Chen et al. introdujeron un RNN cerrado con conexiones entre opiniones. [15]. +isapproach tuvo una precisión de alrededor del 92,6%.

Para la clasificación, en [16] se propuso una unidad recurrente cerrada bidireccional (BiGRU) emparejada con un mecanismo de atención. Se descubrió que este enfoque era eficaz para tareas de clasificación y generó mejores resultados que los métodos utilizados anteriormente, con una precisión del 93,1%. Los investigadores propusieron un modelo de análisis de sentimiento de reemplazo que incorpora CNN y BiGRU basado en la atención en [17].

Al integrar los beneficios del léxico de sentimientos con la tecnología de aprendizaje profundo, se compensan las fallas en el modelo tradicional de análisis de sentimientos para las revisiones de productos. +e sentimentlexicon admite los atributos de sentimiento que se encuentran en las revisiones y CNN, utilizado junto con la red de unidad recurrente cerrada, extrae características de sentimiento y elementos de contexto importantes. El modelo sugerido dio una precisión del 93,5% en el análisis experimental, que resultó ser mayor que los modelos NB, SVM y CNN. Hyun y col. [18] sugirieron un modelo de red neuronal convolucional basado en la dependencia del objetivo. El método recomendado ayuda a evaluar el impacto de las palabras circundantes en la palabra objetivo calculando la distancia entre la palabra objetivo y las palabras circundantes. Su estudio encontró que cada término en una oración tenía un efecto variado en la polaridad emocional de la declaración.
Los investigadores propusieron un modelo híbrido de aprendizaje profundo que integra sistemáticamente múltiples enfoques de incrustación de palabras (Word2vec, FastText e incrustación a nivel de caracteres) y varios métodos de aprendizaje profundo (LSTM, GRU, BiLSTM y CNN) en [19]. +El modelo sugerido obtiene características extrayéndolas mediante varios métodos de incrustación de palabras, las fusiona y clasifica el texto como sentimiento.

Para validar el rendimiento del modelo sugerido, se construyeron y utilizaron numerosos modelos de aprendizaje profundo conocidos como modelos estándar para ejecutar una serie de experimentos. Al comparar el rendimiento del modelo propuesto con el de investigaciones anteriores, el nuevo modelo supera a los modelos de referencia, según los hallazgos de este estudio.

For more information:1950477648nn@gmail.com