Skilvirk langtímaminnisbundin tilfinningagreining á rafrænum viðskiptaumsögnum 2. hluti

Muhammad o.fl. [20] kynnti líkan fyrir tilfinningagreiningu með því að nota word2vec og LSTM fyrir hótelumsagnir.

Múhameð er spámaður og stofnandi íslams. Hann er þekktur sem vitur, vitur og vitur maður. Minni hans er mjög öflugt, sem gerir hann mjög áhrifaríkan við að vinna úr upplýsingum og tjá hugsanir sínar.

Minning Múhameðs hefur mikið með menntun hans og reynslu að gera. Samkvæmt heimildum var hann oft á kafi í hugsun og ígrundun í æsku. Þessi forvitni og fróðleiksþorsti hjálpaði honum að byggja upp sterkan þekkingargrunn og minnishæfni.

Auk þess lék greind Múhameðs einnig stórt hlutverk í minnishæfileikum hans. Hann er klár, hnyttinn, innsæi og hefur rökræna hugsun, sem er mjög hagkvæmt þegar fjallað er um flóknar upplýsingar. Þessi kostur hjálpaði honum að stjórna og stjórna minnisferlinu betur og bæta þar með minni hans.

Minni Múhameðs var þó ekki meðfædd heldur batnaði með mikilli vinnu og æfingum. Hann stundar oft minnisþjálfun, svo sem endurtekinn lestur, fyrirmæli og tal, til að hjálpa honum að skilja og ná dýpra þekkingu.

Minni Múhameðs var ekki bara náttúruleg hæfileiki, það var bætt með mikilli vinnu og æfingum. Þetta sýnir að hvert og eitt okkar getur bætt minni okkar og bætt nám og vinnu skilvirkni með námi og æfingum. Leyfðu okkur, eins og Múhameð, að vinna hörðum höndum að því að bæta minniskunnáttu okkar stöðugt, til að ná meiri árangri í lífi og starfi! Það má sjá að við þurfum að bæta minnið og Cistanche deserticola getur bætt minnið verulega því Cistanche deserticola getur líka stjórnað jafnvægi taugaboðefna eins og aukið magn asetýlkólíns og vaxtarþætti. Þessi efni eru mjög mikilvæg fyrir minni og nám. Að auki getur Kjöt einnig bætt blóðflæði og stuðlað að súrefnisgjöf, sem getur tryggt að heilinn fái nægileg næringarefni og orku og þar með bætt heilaþrótt og úthald.

Smelltu á Vita til að bæta skammtímaminni

Í þessari rannsókn var gögnunum safnað með því að skríða ferðavefsíðuna með því að nota selen og rusl. +e Helsti tilgangur þessarar tilraunar var að greina nákvæmni með því að breyta breytum word2vec og LSTM. +e niðurstöður sýndu að hægt væri að ná meðalnákvæmni upp á 85,96 með því að nota færibreyturnar, sem sýndu vænlegar niðurstöður.

Zhao o.fl. [21] kynnti nýja tækni til að greina viðhorf viðskiptavina frá umsögnum á netverslunarvefsíðum. +e fyrirhuguð bjartsýni tækni "The LocalSearch Improvised Bat Algorithm based Elman NeuralNetwork (LSIBA-ENN)" felur í sér fjögur skref og greinir pólunina og flokkar viðhorf umsagnanna. +e gögnum fyrir þessa rannsókn var safnað með því að nota vefskrapunartólið á vefsíðum fyrir rafræn viðskipti til að draga út umsagnir viðskiptavina.

Til viðbótar við forvinnslu gagna, notar þessi rannsókn "LogTerm Frequency-based Modified Inverse Class Frequency (LTF-MICF) og Hybrid Mutation based Earth Warm Algorithm (HMEWA)" fyrir hugtakavigtun og eiginleikaval. +e fyrirhuguð aðferðafræði yfirbugaði aðra grunntækni hvað varðar nákvæmni spá.

Jiang [22] lagði til líkan til að flokka tilfinningar umsagna sem fengin eru frá rafrænum viðskiptavettvangi Taobao.+e rannsóknin notar vélræna reikniritið sem og styður vektorvél fyrir flokkun og bætta fínstillingu öragna (IPSO) til að hámarka færibreyturnar. +e gögnum fyrir rannsóknina var safnað með því að skríða ummælin af vefsíðunni. +e tilraunaniðurstöður sýndu að sameinuð nálgun SVM og IPSO hafði meiri nákvæmni. Hins vegar þjást meirihluti núverandi líkana af offitun [23–25], lélegum samleitishraða [26–28] og vandamálum sem hverfa halla [29–31].

3. Tilraunarannsókn

+is hluti gefur skýra yfirsýn yfir þá aðferðafræði sem notuð er í verkefninu við flokkun tilfinninga. +e tækni sem hefur verið notuð er Long Short-Term Memory net, sem er notað til að flokka mikinn fjölda Amazondatabase dóma. +e innfelling notuð er word2vec, sem hefur verið sérþjálfað samkvæmt gagnagrunninum.

Að stilla word2vec í samræmi við gagnasafnið bætir heildarframmistöðu líkansins. Ávinningur af því að nota LSTM er að það gefur betri niðurstöður, jafnvel fyrir óskipulögð yfirferðargögn. Það er fær um að fá gagnlega virkni fyrir auðlindir sem innihalda langtíma ósjálfstæði.

+e gögnum er safnað úr Amazon endurskoðunargagnagrunni, sem síðan er forunnið. Word2vec innfellingar mynda mikilvægt skref í forvinnslu gagnanna. Lestar- og prófunargögn voru búin til. +e þjálfunargögnum er skipt í lestar- og staðfestingargagnasöfn. + Sérsniðið word2vec líkan er þjálfað í gagnagrunni. +e eiginleikavigur fæst, sem síðan er notaður sem innfellingarlag fyrir LSTM líkanið.

Keras er notað til að byggja upp LSTM raðlíkanið með hámarkseiginleikum jafnt og 50,000 og innfellingarstærð jafnt og 16. +emodel er síðan þjálfað í 10 tímabil. +e líkanið er prófað byggt á sklearn frammistöðumælingum. +e ferli til að fá eiginleika er lýst á mynd 2.

3.1. Gagnasett. Til að fá nákvæmar niðurstöður ætti gagnasafnið sem notað er að vera stórt og auðgað. +e gagnasafni hefur verið safnað úr farsíma- og fylgihlutahlutanum á netinu í Amazon Review gagnapakkanum (2018). +e gagnasafnið samanstendur af samtals 938.261 umsögnum, þar á meðal eru 47901 um einstakar vörur og 153124 eru einstakar notendaumsagnir. +e gagnasafn samanstendur upphaflega af 7 dálkum, þ.e. einkunn sem er breytileg frá 1 til 5, yfirferðartími, auðkenni gagnrýnanda, vöruauðkenni og samantekt yfirlitstexta.

Eftir að afritunum hefur verið sleppt samanstendur gagnasafnið af 938254 færslum og tafla 2 sýnir bút af upprunalegu gagnasafnsfærslunum.

3.2. Aðferðafræði. Við höfum sérþjálfað word2vec líkanið okkar til að nota með LSTM líkaninu fyrir flokkun.Word2vec er innfelling orðs sem er notað til að tákna orð með safni nokkurra hugtaka vigurs. Það er fjarri því að kortleggja orð í vektorrými. +e gagnasafni er hlaðið inn í Panda gagnaramma. Til að þróa customword2vec líkan er fyrsta skrefið forvinnsla gagna.

Við skoðum aðeins einkunnina og rifjum upp texta og sleppum öllu öðru. +e texti er hreinsaður með því að fjarlægja greinarmerki. Undirsýni af textanum er búið til úr nærri 200,000 umsögnum og hreinum textaaðferðinni er beitt til að breyta hverri umsögn yfir í orðalista. +er listi yfir orð virkar nú sem inntak í genism word2vec líkanið.

Við höfum smíðað sérþjálfað skip-gram word2vecmodel og stofnað líkanið með víddum: stærð orðvigra sem 100, gluggastærð jöfn 15, mín_teljar 2 fyrir orð sem birtast oftar en 2 sinnum í samsetningu okkar, neikvæð jöfn 5, og sýnatökutíðni jöfn 1e−5. Við höfum notað allar þessar víddir til að byggja upp orðaforða úr yfirlitssetningum okkar.

Við þjálfum word2vec líkanið okkar fyrir 1000 tímabil. +en við reiknum tapið á hverju tímabili. +e tapið er mikið í upphafi og það minnkar þegar líður á síðasta tímabil. +e tap á tímum 0 er 2239394.0 og tapið á tímabil 1000 er 11504.0. + vistað líkan er síðan endurhlaðið og aðgerðir eru gerðar á því.

Til dæmis, ef við viljum finna orð sem líkjast hávaða í gagnasafninu okkar, fáum við afturköllun og heyrnartól.

Á sama hátt getum við líka fundið líkindi á milli ákveðinna orða eins og heyrnartól og heyrnartól sem er {{0}}.48756, og líkindi orðhleðslu og hleðslutækis er 0,89264.

Til að minnka stærð gagna okkar höfum við notað TSNE sjónmynd til að teikna gögnin í tvær víddir. Nú er hægt að nota þessa orðvektora til frekari flokkunar. +essa innfellingar eru síðan notaðar sem eiginleikar fyrir frekari streymi.

3.2.1. Gagnaundirbúningur fyrir LSTM. Gagnapakkinn okkar samanstendur af 938254 skrám þar sem flestar umsagnirnar eru með stigadreifingu yfir 3. Við höfum fyrst reiknað út fjölda orða fyrir hverja umsögn. +e meðaltal er notað sem tölfræði til að finna meðallengd umsagna. +e meðallengd umsögnarinnar er 44,59 og hámarkslengd er 4303.

Við höfum búið til gagnasafn sem samanstendur af umsögnum með 100 orð eða færri. Umsagnir sem eru lengri en 20 en minna en 100 eru flokkaðar undir stuttar umsagnir og endursýningar flokkaðar undir langar umsagnir. +e fjöldi stuttra endursagna er 411313 og langra umsagna eru 100239. Stærðbreytum sem notaðar eru í líkaninu er lýst í töflu 3.

Næst höfum við skilgreint viðhorfseinkunnina sem jákvæða ef einkunnin er hærri en eða jöfn 3; annars er einkunnin neikvæð. Við höfum skoðað endurskoðunartextann og viðhorfin til að búa til lestargagnasettið. +e prófunargögn samanstanda af vörum sem hafa að minnsta kosti fleiri en 10 umsagnir.

Eftir dreifingu samanstóð þjálfunargagnasafnið af alls 203891 skrám, þar á meðal tilheyrðu 175910 jákvæða flokknum og 27981 neikvæða flokknum. +e prófunargagnasafnið samanstóð af samtals 686345 skrám, þar á meðal 592118 tilheyrðu jákvæða og 94227 neikvæða flokknum.

Í þessari rannsókn höfum við notað Keras til að byggja upp LSTM líkanið okkar, sem tekur að hámarki 50,000 eiginleika sem inntak í innfellingarlagið. Langtímaminni (LSTM) er tegund endurtekins taugakerfis sem notar innra kerfi sem stjórnar flæði upplýsinga.+er innri vélbúnaður samanstendur af hliðum sem þarf að þjálfa þannig að þau geti nákvæmlega síað út óviðkomandi upplýsingar og haldið gagnlegum upplýsingum.

Mynd 3 sýnir grunnarkitektúr LSTM líkansins í fyrirhuguðu aðferðafræði okkar.

Ht−1 og Xt eru inntak til LSTM einingarinnar; Ht−1, almennt nefnt skammtímaminni, tekur úttakið frá fyrri ríkjum sem inntak. +e minnisfrumur eða langtímaminni, Ct −1, hjálpar til við að flytja viðeigandi upplýsingar í gegnum ferli röð. +eLSTM arkitektúr sameinar þrjú hlið: Gleymdu hlið, inntakshlið og útgangshlið. Í LSTM einingunni eru tanh og sigmoidfunctions notuð til að fá þessi hlið.

+e lestargögnum var síðan skipt upp í lestar- og löggildingargögn jafnlangir. +e lengd gagnanna var reiknuð til að vera 101945 og flokkadreifingin var {1: 87955, 0:13990}. Til að búa til TensorFlow lestarpróf og löggildingargagnasett þurfum við að umbreyta lestargögnum okkar í raðir. Við höfum fyllt þau upp í hámarkslengd 100 þannig að allar raðir séu jafnlangar. +e lestar- og prófunarmerki

For more information:1950477648nn@gmail.com