تحليل فعال طويل الأمد قائم على الذاكرة لمراجعات التجارة الإلكترونية، الجزء 3

4. النتائج

لقد قمنا بتدريب نموذجنا لمدة 10 فترات تقريبًا وقمنا بحساب خسارة التدريب والتحقق من الصحة بالإضافة إلى دقة التدريب والتحقق من الصحة.

قد تبدو الخسارة حدثًا لا مفر منه في حياتنا، لكن تأثيره على صحتنا العقلية وذاكرتنا يمكن أن يكون عميقًا.

أولاً، عندما نتعرض للخسارة، فمن السهل أن ننخرط في المشاعر السلبية. قد يشمل ذلك الحزن والغضب والقلق وغير ذلك الكثير. يمكن أن تؤثر هذه المشاعر على صحتنا العقلية، مما يجعلنا نشعر بالإرهاق والعجز وخيبة الأمل. وفي الوقت نفسه، يمكن أن تؤثر هذه المشاعر السلبية أيضًا على ذاكرتنا، مما يجعل من الصعب علينا التركيز وتصبح ذاكرتنا غير واضحة.

انقر فوق معرفة المكملات الغذائية لتحسين الذاكرة

ومع ذلك، حتى عندما نتعرض للخسارة، لا يزال بإمكاننا الحفاظ على موقف إيجابي ومنظور متفائل، مما يساعدنا على التغلب على تأثير المشاعر السلبية على صحتنا العقلية وذاكرتنا. يتضمن ذلك قضاء الوقت مع الأصدقاء والعائلة، ومشاركة المشاعر، والحفاظ على نظام غذائي ونمط حياة صحيين، وممارسة التمارين البدنية، وحضور العلاج النفسي، من بين أمور أخرى.

بالإضافة إلى ذلك، يمكننا اتخاذ خطوات استباقية لمساعدة أنفسنا في الحفاظ على ذكريات جيدة أثناء عملية الخسارة. يتضمن ذلك منح نفسك بعض الوقت لقبول المواقف الجديدة والتكيف معها، بالإضافة إلى تجربة تقنيات واستراتيجيات الذاكرة الجديدة، مثل بناء ارتباطات الذاكرة، وتكرار التمارين، واستخدام شرائح الذاكرة، وما إلى ذلك.

بشكل عام، تؤثر الخسارة سلبًا على صحتنا العقلية وذاكرتنا، لكن يمكننا اتخاذ خطوات استباقية للتغلب على هذه الآثار. إذا تمكنا من الحفاظ على موقف إيجابي ومنح أنفسنا بعض الوقت للتكيف مع المواقف الجديدة، فقد نكون قادرين على استعادة صحتنا العقلية وذاكرتنا بسهولة أكبر والانتقال إلى حياة أفضل مرة أخرى. يمكن ملاحظة أننا بحاجة إلى تحسين الذاكرة، ويمكن لـ Cistanche deserticola أن يحسن الذاكرة بشكل كبير لأن Cistanche deserticola هي مادة طبية صينية تقليدية لها العديد من التأثيرات الفريدة، أحدها هو تحسين الذاكرة. تأتي فعالية اللحم المفروم من المكونات النشطة المختلفة التي يحتوي عليها، بما في ذلك الأحماض والسكريات والفلافونويد وغيرها. ويمكن لهذه المكونات تعزيز صحة الدماغ بطرق مختلفة.

يمكننا أن نرى من الشكل 4 أن كلاً من فقدان التدريب والتحقق من الصحة انخفض خلال تدريب النموذج. يوضح الشكل 5 أن دقة التدريب والتحقق من الصحة زادت لاحقًا لمدة 10 حقب.

نظرًا لأن الناتج النهائي الذي نحصل عليه بعد التنبؤ هو احتمال، فإننا نطبق حدًا معينًا لتحديد ما إذا كانت البيانات تنتمي إلى الفئة الإيجابية أو السلبية. ولهذا الغرض، استخدمنا منحنى ROC الذي يرسم المعدلات الإيجابية والسلبية الحقيقية.

يساعد في العثور على قيم العتبة للمصنف الثنائي. من منحنى ROC الموضح في الشكل 6، اخترنا 0.78 كعتبة لنا.

تمت إعادة تحميل النموذج المحفوظ +e وتم إنشاء تنبؤات على بيانات الاختبار مع الأخذ في الاعتبار قيمة العتبة المذكورة أعلاه. الآن لدينا الشعور الأصلي وكذلك الشعور المتوقع.

نظرًا لأن مجموعة البيانات غير متوازنة، فإن المعلمة الأفضل لاختبار النموذج ستكون درجة F1 بدلاً من الدقة.

في الجدول 4، قمنا بتجميع درجات الدقة والدقة والاستدعاء وF1 لنماذج خط الأساس الأخرى وقارنناها بنموذجنا. + تم أخذ النماذج الأساسية بعين الاعتبار من الأدبيات التي قمنا بمراجعتها لهذه التجربة.

5. الاستنتاج+ عبارة عن ورقة تناقش تحليل المشاعر في سياق مراجعات التجارة الإلكترونية. لقد كانت هناك تقنيات مختلفة تم استطلاعها سابقًا في مجال التنقيب عن الرأي في المراجعات.

تتكون قاعدة البيانات الخاصة بنا من مراجعات من قسم الهواتف المحمولة وملحقاتها في أمازون. تم استخدام شبكات الذاكرة الطويلة وقصيرة المدى لتصنيف المشاعر باستخدام التعلم العميق. تم استخدام مجموعة بيانات التدريب المخصصة لدينا لاستخراج الميزات المضمنة في تقنية تضمين word2vec. استنادًا إلى منحنى ROC، قررنا أن 0.78 هو الحد النهائي الذي يجب أن نستخدمه لتصنيف المشاعر.

تم استخدام أربع معلمات لتقييم أداء نموذجنا: الدقة، والضبط، والتذكر، ودرجة F1. وقد وجد أن الدقة البالغة 97% هي الأعلى بين المعلمات الأربعة.

نظرًا لأن مجموعة البيانات غير متوازنة، فإننا نعتبر F1score أفضل مقياس لأداء النموذج، مما يؤدي إلى تقييم بنسبة 93%. وكانت المحاولة الرئيسية لهذا البحث هي اختبار وظيفة النموذج بكمية كبيرة من البيانات. توفر طريقة +is نتائج جيدة حتى بالنسبة لمثل هذه البيانات الكبيرة التي تبلغ حوالي 938,261 مراجعة. +e الميزة الرئيسية لاستخدام هذه الطريقة هي أن LSTM تأخذ في الاعتبار الذاكرة طويلة المدى وتقدير Word2vec الفعال لتمثيلات الكلمات التي تساعد في تحليل المشاعر بكفاءة.

بالنسبة للعمل المستقبلي، نود أن ننظر في استخدام LSTM ثنائي الاتجاه لتصنيف المشاعر الذي يدرب فرعين من LSTM، تسلسل المدخلات الفعلي والعكس. + قد يساعد في تحسين أداء النموذج.

توافر البيانات

+ البيانات المستخدمة لدعم نتائج هذه الدراسة متاحة من المؤلف المقابل عند الطلب.

تضارب المصالح

+ يعلن المؤلفون أنه ليس لديهم أي تضارب في المصالح.

شكر وتقدير

+تم تمويل هذا البحث من قبل الباحثين الداعمين لمشروع جامعة الأميرة نورة بنت عبد الرحمن رقم (PNURSP2022R120)، جامعة الأميرة نورة بنت عبد الرحمن، الرياض، المملكة العربية السعودية.

مراجع

[1] ب. ليو، تحليل المشاعر: الآراء والمشاعر والعواطف، جامعة كامبريدج. الصحافة، نيويورك، نيويورك، الولايات المتحدة الأمريكية، الطبعة الأولى، 2015.

[2] P. Balaji, O. Nagaraju, and D. Haritha, "مارس). مستويات تحليل المشاعر وتحدياتها: مراجعة للأدبيات،" في وقائع المؤتمر الدولي لتحليلات البيانات الضخمة والذكاء الحسابي (ICBDAC)، ص. 436-439، IEEE، تشيرالا، الهند، مارس 2017.

[3] R. Varghese وM. Jayasree، "مسح حول تحليل المشاعر والتنقيب عن الرأي"، المجلة الدولية لتكنولوجيا الطاقة المتجددة، المجلد. 2، لا. 11، ص 312-317، 2013.

[4] C. Sindhu وDS Chandrakala، "دراسة استقصائية حول تصنيف قطبية الرأي والمشاعر"، المجلة الدولية للتكنولوجيا الناشئة والهندسة المتقدمة، المجلد. 3، ص 531-539، 2013.

[5] A. Jurek, Mulvenna, and Y. Bi, "Improved المعجم القائم على تحليل المشاعر لتحليلات وسائل التواصل الاجتماعي،" Security Informatics، المجلد. 4، لا. 1، ص. 9, 2015.

[6] S. Zhang, D. Zhang, H. Zhong, and G. Wang، "نموذج متعدد التصنيفات للمشاعر لمراجعات التجارة الإلكترونية،" IEEE Access، المجلد. 8، ص 189513-189526، 2020.

[7] J. Devlin, M. Chang, K. Lee, and K. Toutanova, "BERT: التدريب المسبق للمحولات العميقة ثنائية الاتجاه لفهم اللغة،" في وقائع مؤتمر رابطة فرع أمريكا الشمالية للغويات الحاسوبية، تكنولوجيا اللغة البشرية، ص 4171 -4186، مينيابوليس، مينيسوتا، يونيو 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose, and S. Tiwari، "تحليل المشاعر لمجموعات بيانات المراجعة باستخدام مصنف Naive Bayes andk-nn،" 2016،https://arxiv.org/abs/1610.09982.

[9] MR حق، علي، وعبد الرحمن، "تحليل المشاعر على بيانات تويتر باستخدام KNN وSVM"، المجلة الدولية لعلوم وتطبيقات الكمبيوتر المتقدمة، المجلد. 8، لا. 6، ص. 19-25، 2017.

[10] بي إس لاكشمي، بي إس راج، و آر آر فيكرام، "تحليل المشاعر باستخدام تقنية التعلم العميق CNN مع KMeans،" المجلة الدولية للرياضيات البحتة والتطبيقية، المجلد. 114، لا. 11، ص 47-57، 2017.

[11] Y. Fang, H. Tan, and J. Zhang، "تحليل المشاعر متعدد الاستراتيجيات لمراجعات المستهلكين استنادًا إلى الغموض الدلالي،" IEEE Access، المجلد. 6، ص 20625-20631، 2018.

[12] B. Shin، T. Lee، وJD Choi، "نماذج CNN المدمجة مع الاهتمام بتحليل المشاعر"، 2016،https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com