تحليل فعال طويل الأمد قائم على الذاكرة لمراجعات التجارة الإلكترونية الجزء الأول

في عصرنا الحديث، تحرز التجارة الإلكترونية تقدمًا من خلال عملية جلب البضائع إلى متناول الجميع. ولا يُطلب من المستهلكين حتى الخروج من منازلهم لشراء الأشياء، مما يجعلها مريحة للغاية بالنسبة لهم.

مع التطور المستمر للتكنولوجيا الحديثة والتطور السريع للتجارة الإلكترونية، أصبحت حياتنا أكثر راحة وكفاءة، مما أثر أيضًا على ذاكرتنا إلى حد ما. إلا أن هناك بالفعل علاقة بين التجارة الإلكترونية والذاكرة، والعلاقة إيجابية وتصاعدية.

أولاً وقبل كل شيء، توفر لنا التجارة الإلكترونية طريقة تسوق أكثر ملاءمة. لم نعد بحاجة للذهاب إلى المركز التجاري للتسوق شخصيًا. من خلال بضع نقرات بالماوس، يمكن تسليم البضائع التي نحتاجها إلينا عن طريق التسليم السريع. هذا النوع من التسوق يزيل القلق من الانتظار الطويل والازدحام، مما يوفر لنا الوقت والطاقة. مع تطور التجارة الإلكترونية، يمكننا استخدام تقنيات أكثر ذكاءً للتسوق، مثل التسوق الصوتي والتوصيات الذكية وما إلى ذلك. يمكن لهذه التقنيات أن تجعل تسوقنا أكثر ملاءمة وكفاءة.

ثانيًا، يمكن أن تساعدنا التجارة الإلكترونية أيضًا في إدارة المعلومات والبيانات بشكل أفضل، وهو أمر مفيد لذاكرتنا وكفاءة العمل. يمكننا استخدام أدوات مثل البريد الإلكتروني، والأقراص السحابية، والملاحظات عبر الإنترنت لتسجيل المعلومات المهمة ومشاركتها، وتحرير أدمغتنا. تساعدنا هذه الأدوات على تنظيم المعلومات وإدارتها بشكل أفضل، مما يضمن أن أدمغتنا تحتاج فقط إلى التركيز على الأشياء الأكثر أهمية. في هذه الحالة، لا تزال ذاكرتنا مدربة لأننا نستخدم هذه التقنيات والأدوات لمساعدتنا على تذكر المعلومات بدلاً من محاولة تذكرها.

وأخيرًا، يمكن للتجارة الإلكترونية أيضًا أن تساعدنا على التعلم والتطور، وهو أمر مفيد جدًا لذاكرتنا وتطورنا الفكري. يمكننا تعلم معارف ومهارات جديدة من خلال الدورات التدريبية عبر الإنترنت، والكتب الإلكترونية، ومنصات التعلم عبر الإنترنت، وغيرها من الأدوات. تسمح لنا هذه الأدوات بإدارة المعرفة وإتقانها بشكل أفضل، بينما تساعدنا أيضًا على تطوير حياتنا المهنية والشخصية بشكل أفضل. يمكن لهذه الطريقة في التعلم أن تحفز تفكيرنا وتحسن ذاكرتنا وإبداعنا.

بشكل عام، هناك بالفعل علاقة بين التجارة الإلكترونية والذاكرة، لكنها علاقة إيجابية وتصاعدية. يمكننا استخدام التجارة الإلكترونية لتحسين نوعية حياتنا وكفاءة العمل، ويمكننا أيضًا استخدامها لتحسين ذكائنا وذاكرتنا. لذلك، يجب علينا استخدام هذه التقنيات والأدوات بنشاط لإضافة المزيد من الطاقة الإيجابية إلى حياتنا وتطويرنا الوظيفي. 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.

انقر فوق تعرف على 10 طرق لتحسين الذاكرة

علاوة على ذلك، هناك مجموعة واسعة من العلامات التجارية للاختيار من بينها. نظرًا لأن المزيد من العملاء يعتمدون على منصات التسوق عبر الإنترنت هذه الأيام، فإن قيمة التقييمات آخذة في النمو أيضًا. لشراء هذه المنتجات، يعتمد الأشخاص فقط على المراجعات المقدمة حول المنتجات.

لتحليل هذه المراجعات، يجب إجراء تحليل المشاعر، والذي يمكن أن يكون مفيدًا لكل من المشترين والشركة المصنعة. هي ورقة تصف عملية تحليل المشاعر ومتطلباتها.

في هذه الورقة، تم استخدام Amazon Reviewdataset 2018 لإجراء أبحاثنا وتم دمج الذاكرة طويلة المدى (LSTM) مع تمثيل word2vec، مما أدى إلى تحسين الأداء العام.

تم استخدام آلية البوابات بواسطة LSTM أثناء عملية التدريب. تم تقييم نموذج LSTM المقترح بناءً على أربعة مقاييس أداء: الدقة، والدقة، والاستدعاء، وF1score، وحقق نتائج أعلى بشكل عام بالمقارنة مع النماذج الأساسية الأخرى.

1 المقدمة

لقد لعب التواصل دورًا رئيسيًا في تعزيز العلاقات الاجتماعية منذ العصور التاريخية. في الوقت الحاضر، تستخدم كل شرائح المجتمع تقريبًا وسائل التواصل الاجتماعي حيث تطورت إلى أداة تواصل فعالة. يشمل الجزء الرئيسي من وسائل التواصل الاجتماعي مواقع التجارة الإلكترونية.

بسبب التقدم السريع في تقنيات التجارة الإلكترونية، يختار غالبية الأشخاص الآن الشراء عبر الإنترنت. يمكن للأشخاص استخدام وسائل التواصل الاجتماعي لتقديم تعليقات حول المواقف والعناصر والموارد المختلفة، والتي يمكن أن تكون إيجابية أو سلبية، بناءً على تجربة العميل.

تلعب التعليقات السلبية دورًا أساسيًا في نمو الشركة لأنها تساعد على تحسين الخدمات. وهنا يأتي دور تحليل المشاعر.

يساعد تحليل المشاعر في الكشف عن وجهة نظر العميل حول السلع المختلفة عبر المعلومات النصية وفي نفس الوقت تقييم هذه المراجعات المشتركة.

تشير أنواع مختلفة من الأبحاث إلى أن تحليل المشاعر يتم عمومًا على ثلاثة مستويات: مستوى الجملة، والوثيقة، والعبارة [1-3]. الخطوات الفرعية المشاركة في عملية تحليل المشاعر موضحة في الشكل 1.

يقترح البحث استخدام شبكات LSTM لتصنيف عدد كبير من مراجعات أمازون. تقنية التعلم العميق سريعة وتعطي نتائج أفضل حتى بالنسبة لعدد كبير من المراجعات. تستخدم الدراسة الإلكترونية تضمين word2vec من أجل التقدير الفعال لتمثيلات الكلمات في مساحة المتجهات.

يوفر Word2vec نتائج أفضل من طرق التمثيل القياسية مثل حقيبة الكلمات أو التشفير المكون من جزء واحد. تركز الدراسة بشكل أساسي على جزأين: التخطيط الفعال لكلمات المشاعر في الفضاء المتجه من خلال نموذج word2vec وشبكة LSTM لتصنيف المراجعات.

2. مسح الأدب

+يحتوي القسم على جميع الأعمال الأساسية المهمة حول موضوع تحليل المشاعر ذات الصلة ببحثنا.

لقد اكتشفنا أن معظم الأعمال السابقة استخدمت خوارزميات التعلم الآلي، وخوارزميات التعلم العميق، ومعجم المشاعر. في الجدول 1، قمنا بتلخيص الأساليب المستخدمة في البحث ومزايا وعيوب الأساليب.

في عام 2013، لاحظ سيندهو وشاندراكالا [4] التقنيات الحديثة والفعالة التي يتم استخدامها لدراسة تحليل المشاعر، بما في ذلك تصنيف قطبية المشاعر وتقنيات التعلم الآلي المختلفة مثل NaiveBayes وMaximum Entropy وآلة ناقل الدعم. + تشير الدراسة الاستقصائية إلى أنه يمكن تحديد تصنيف المشاعر من خلال سمتين، تعيين القطبية، أي تحديد ما إذا كانت المشاعر إيجابية أو سلبية أو محايدة، وتخصيص الشدة، الذي يصور مدى قوة أو اعتدال المشاعر الفردية من حيث القطبية.

يوريك وآخرون. [5] قدم نموذجًا يحتوي على خوارزمية تحليل المشاعر القائمة على المعجم والتي تضمنت عنصرين رئيسيين: وظيفة التكامل القائمة على الأدلة وتطبيع المشاعر التي تقيس المشاعر بدلاً من التسمية الإيجابية/السلبية وتساعد في التمييز بين المشاعر المختلفة.

تم استخدام مجموعة Twitter Corpus المتاحة للجمهور كمجموعة بيانات لهذه الدراسة، وكان التركيز الرئيسي للدراسة هو تحليل محتوى Twitter في الوقت الفعلي.

تشانغ وآخرون. [6] قدم نهجًا متعدد التصنيفات لإجراء تحليل المشاعر في مراجعات التجارة الإلكترونية.

وعلاوة على ذلك، تشانغ وآخرون. [6] قدم نموذجًا متعدد التصنيفات لتحليل المشاعر لمراجعات التجارة الإلكترونية. +تم استخدام مجموعة بيانات مراجعة Amazon (2018) في الدراسة المقترحة، والتي استندت إلى مشكلة مرجحة موجهة. + ذكرت الدراسة المقترحة أنه من خلال استخراج كلمات كيانية ذات ميزات، وتقييم أنماط المشاعر، وتقييم أقصر مسار بين العقد، يمكن تحويل مشكلة تشابه المشاعر إلى مشكلة حساب أقصر مسار. عند مقارنته بنموذج BERT [7]، كان أداء هذا النموذج أفضل من حيث وقت وحدة المعالجة المركزية للخوارزمية.

داي وآخرون. [8] فحص خوارزميات التعلم الآلي، K-NN و Naive Bayes، باستخدام ثلاثة مقاييس التقييم. + تفوق مصنف eNaive Bayes على مصنف K-NN في عمله.

قدم الباحثون في [9] نموذجًا لتصنيف المشاعر باستخدام تقنيتين. +e تم اقتراح أول نهج، حيث استخدمت خوارزمية تصنيف المشاعر مصنف K-NN وفي الطريقة الأخرى، تم استخدام خوارزمية آلة ناقل الدعم. تم التحقق من صحة كفاءة +e لخوارزمية التصنيف بناءً على التغريدات الحقيقية. + أظهرت النتائج التي تم الحصول عليها أن خوارزمية تصنيف المشاعر تفوقت على SVM في التحقق التجريبي.

في [10]، تم تقديم مقارنة بين طرق التعلم الخاضعة للإشراف وغير الخاضعة للإشراف. + قدم عمل eir تحليلًا مقارنًا لخوارزميات التعلم الخاضعة للإشراف (CNN وKNN) وغير الخاضعة للإشراف (CNN مع K تعني التجميع).

فانغ وآخرون. [11] قدم تقنية تحليل المشاعر المتعددة التي تتضمن بشكل كبير نظرية المجموعة الغامضة، ونظرية التعلم الآلي، وطريقة تعتمد على المعجم القطبي. ثم تم تحليل مراجعات المستهلكين باستخدام هذا النموذج الهجين.

تم استخدام خوارزميات Naive Bayes وSVM في هذه الدراسة. +e نموذج SVM المحسن، أي الطريقة الهجينة التي تجمع بين تحليل المشاعر متعددة الاستراتيجيات مع SVM، كان أكثر نجاحًا وأعطى دقة قدرها 86.35%.

بالإضافة إلى ذلك، تمت ملاحظة زيادة بنسبة 3.8% في الدقة أثناء تنفيذ برنامج Naive Bayes الذي تمت ترقيته. بالإضافة إلى ذلك، قدم الباحثون في [12] طريقة لدمج التضمينات المعجمية وآلية الانتباه في شبكة CNN. تم إنشاء +edataset باستخدام التغريدات. تم تقييم طريقة +e باستخدام درجة F1. + العمل الذي تم اقتراحه كان أداؤه أفضل من العمل الحالي.

تم تقديم نظام التوصية المعتمد على الشبكة العصبية العودية (RNN) (RDSA) بواسطة Preethi et al.[13].

تم استخدام التعلم العميق لتحسين الاقتراحات التي تتمحور حول تحليل المشاعر وتم إجراؤه على ثلاث مراجعات منفصلة في هذه الدراسة.

أولاً، تم دراسة مجموعات البيانات وملاحظة جوانبها الإحصائية قبل تطبيق مصنف Naive Bayes وشبكة RNN. + أظهرت نتائج التجارب أن استخدام RNN، وهي شبكة عصبية عميقة، عزز دقة تحليل المشاعر، مما أدى إلى اقتراحات أفضل للمستخدمين والمساعدة في اختيار موضع معين اعتمادًا على متطلبات المستخدمين.

علاوة على ذلك، اقترح الباحثون في [14] استخدام اختيار الميزات المستند إلى Giniindex ومصنف SVM لتصنيف البيانات. + مجموعة البيانات الإلكترونية لهذه الدراسة كانت عبارة عن مجموعة كبيرة من مراجعات الأفلام.

وبناء على نتائج التجارب تم تحديد الطريقة المقترحة بأنها أقل دقة من الطرق الأخرى. تم تقديم شبكة RNN ذات بوابات مع اتصالات بين الآراء بواسطة Chen et al. [15]. +isapproach بلغت دقته حوالي 92.6%.

للتصنيف، تم اقتراح وحدة متكررة ذات بوابات ثنائية الاتجاه (BiGRU) مقترنة بآلية الانتباه في [16]. لقد وجد أن أسلوب +is فعال في مهام التصنيف ويحقق نتائج أفضل من الطرق المستخدمة سابقًا، بدقة تبلغ 93.1%. تم اقتراح نموذج تحليل المشاعر البديل الذي يتضمن CNN وBiGRU القائم على الاهتمام من قبل الباحثين في [17].

من خلال دمج فوائد معجم المشاعر مع تقنية التعلم العميق، يتم التعويض عن العيوب في نموذج تحليل المشاعر التقليدي لمراجعات المنتجات. +e المعجم العاطفي يدعم سمات المشاعر الموجودة في المراجعات وCNN المستخدمة بالتزامن مع شبكة الوحدة المتكررة المسورة تستخرج ميزات المشاعر المهمة وعناصر السياق. + أعطى النموذج المقترح دقة 93.5% في التحليل التجريبي، والتي وجد أنها أعلى من نماذج NB، وSVM، وCNN. هيون وآخرون. [18] اقترح نموذج شبكة عصبية تلافيفية يعتمد على الاعتماد على الهدف. تساعد الطريقة الموصى بها +e في تقييم تأثير الكلمات المحيطة على الكلمة المستهدفة عن طريق حساب المسافة بين الكلمة المستهدفة والكلمات المحيطة بها. +وجدت دراستهم أن كل مصطلح في الجملة له تأثير متنوع على القطبية العاطفية للعبارة.
نموذج التعلم العميق المختلط الذي يدمج بشكل منهجي أساليب تضمين الكلمات المتعددة (Word2vec، FastText، والتضمين على مستوى الأحرف) والعديد من أساليب التعلم العميق (LSTM، GRU، BiLSTM، وCNN) تم اقتراحه من قبل الباحثين في [19]. +e النموذج المقترح يحصل على الميزات عن طريق استخراجها باستخدام طرق تضمين الكلمات المختلفة، ودمجها، وتصنيف النص على أنه إقناع.

للتحقق من صحة أداء النموذج المقترح، تم إنشاء العديد من نماذج التعلم العميق المعروفة باسم النماذج القياسية واستخدامها لإجراء سلسلة من التجارب. وعند مقارنة أداء النموذج المقترح بأداء الأبحاث السابقة، يتبين أن النموذج الجديد يتفوق على النماذج الأساسية، وفقا لنتائج هذه الدراسة.

For more information:1950477648nn@gmail.com