Phân tích tình cảm dựa trên trí nhớ ngắn hạn hiệu quả của các bài đánh giá thương mại điện tử Phần 3

4. Kết quả

Chúng tôi đã đào tạo mô hình của mình trong khoảng 10 kỷ nguyên và tính toán tổn thất đào tạo và xác nhận cũng như độ chính xác của quá trình đào tạo và xác nhận.

Mất mát có vẻ như là một sự kiện không thể tránh khỏi trong cuộc đời chúng ta, nhưng tác động của nó đến sức khỏe tinh thần và trí nhớ của chúng ta có thể rất sâu sắc.

Đầu tiên, khi chúng ta trải qua sự mất mát, chúng ta rất dễ bị cuốn vào những cảm xúc tiêu cực. Điều này có thể bao gồm nỗi buồn, sự tức giận, lo lắng, v.v. Những cảm xúc này có thể ảnh hưởng đến sức khỏe tinh thần của chúng ta, khiến chúng ta cảm thấy kiệt sức, bất lực và thất vọng. Đồng thời, những cảm xúc tiêu cực này cũng có thể ảnh hưởng đến trí nhớ của chúng ta, khiến chúng ta khó tập trung và trí nhớ trở nên mờ nhạt.

Bấm biết bổ sung để cải thiện trí nhớ

Tuy nhiên, ngay cả khi trải qua mất mát, chúng ta vẫn có thể duy trì thái độ tích cực và quan điểm lạc quan, giúp chúng ta vượt qua tác động của những cảm xúc tiêu cực đến sức khỏe tinh thần và trí nhớ. Điều này bao gồm việc dành thời gian cho bạn bè và gia đình, chia sẻ cảm xúc, duy trì chế độ ăn uống và lối sống lành mạnh, tham gia tập thể dục và tham gia trị liệu tâm lý, cùng nhiều hoạt động khác.

Ngoài ra, chúng ta có thể thực hiện các bước chủ động để giúp bản thân duy trì những kỷ niệm đẹp trong quá trình mất mát. Điều này bao gồm việc dành cho bản thân một chút thời gian để chấp nhận và thích nghi với các tình huống mới, cũng như thử các kỹ thuật và chiến lược ghi nhớ mới, chẳng hạn như xây dựng các liên kết trí nhớ, lặp lại các bài tập, sử dụng thẻ ghi nhớ, v.v.

Nhìn chung, sự mất mát gây tổn hại đến sức khỏe tinh thần và trí nhớ của chúng ta, nhưng chúng ta có thể thực hiện các bước chủ động để khắc phục những ảnh hưởng này. Nếu chúng ta có thể duy trì thái độ tích cực và cho bản thân một chút thời gian để thích nghi với những tình huống mới, chúng ta có thể dễ dàng lấy lại sức khỏe tinh thần và trí nhớ và tiếp tục cuộc sống tốt đẹp hơn. Có thể thấy, chúng ta cần cải thiện trí nhớ, và Cistanche Deserticola có thể cải thiện trí nhớ đáng kể vì Cistanche Deserticola là một dược liệu cổ truyền của Trung Quốc có nhiều tác dụng độc đáo, một trong số đó là cải thiện trí nhớ. Hiệu quả của thịt băm đến từ các hoạt chất khác nhau có trong nó, bao gồm axit, polysacarit, flavonoid, v.v. Những thành phần này có thể tăng cường sức khỏe não bộ theo nhiều cách khác nhau.

Chúng ta có thể thấy trong Hình 4 rằng cả tổn thất huấn luyện và xác nhận đều giảm trong suốt quá trình đào tạo mô hình. Hình 5 cho thấy độ chính xác trong quá trình huấn luyện và xác nhận đã tăng lên sau đó trong 10 kỷ nguyên.

Vì sau khi dự đoán, đầu ra cuối cùng mà chúng tôi nhận được là xác suất nên chúng tôi áp dụng một ngưỡng nhất định để xác định xem dữ liệu thuộc về lớp dương hay lớp âm. Với mục đích này, chúng tôi đã sử dụng đường cong ROC để vẽ tỷ lệ dương và âm thực.

Nó giúp tìm các giá trị ngưỡng cho bộ phân loại nhị phân. Từ đường cong ROC được hiển thị trong Hình 6, chúng tôi đã chọn 0,78 làm ngưỡng của mình.

+e mô hình đã lưu được tải lại và các dự đoán đã được tạo trên dữ liệu thử nghiệm có tính đến giá trị ngưỡng nêu trên. Bây giờ chúng ta có tình cảm ban đầu cũng như tình cảm được dự đoán.

Vì tập dữ liệu không cân bằng nên tham số tốt hơn để kiểm tra mô hình sẽ là điểm F1 thay vì độ chính xác.

Trong Bảng 4, chúng tôi đã tổng hợp độ chính xác, độ chính xác, khả năng thu hồi và điểm F1 của các mô hình cơ sở khác và so sánh chúng với mô hình của chúng tôi. +e các mô hình cơ sở đã được xem xét từ tài liệu mà chúng tôi đã xem xét cho thí nghiệm này.

5. Kết luận+là bài viết thảo luận về phân tích cảm tính trong bối cảnh đánh giá thương mại điện tử. Trước đây đã có nhiều kỹ thuật khác nhau được khảo sát trong lĩnh vực khai thác ý kiến ​​của các đánh giá.

Cơ sở dữ liệu của chúng tôi bao gồm các đánh giá từ phần điện thoại di động và phụ kiện của Amazon. Mạng bộ nhớ ngắn hạn dài được sử dụng để phân loại cảm xúc bằng cách sử dụng học sâu. Tập dữ liệu đào tạo tùy chỉnh của chúng tôi đã được sử dụng để trích xuất các tính năng được nhúng trong kỹ thuật nhúng word2vec. Dựa trên đường cong ROC, chúng tôi đã xác định rằng 0.78là ngưỡng cuối cùng mà chúng tôi nên sử dụng để phân loại cảm tính.

Bốn thông số đã được sử dụng để đánh giá hiệu suất của mô hình của chúng tôi: độ chính xác, độ chính xác, khả năng thu hồi và điểm F1. Độ chính xác 97% được coi là cao nhất trong bốn thông số.

Vì tập dữ liệu không cân bằng nên chúng tôi coi điểm F1 là thước đo tốt nhất về hiệu suất của mô hình, mang lại đánh giá 93%. Nỗ lực chính của nghiên cứu này là kiểm tra chức năng của mô hình với một lượng lớn dữ liệu. +là phương pháp mang lại kết quả tốt ngay cả đối với dữ liệu lớn như vậy với khoảng 938.261 lượt đánh giá. +e Ưu điểm chính của việc sử dụng phương pháp này là LSTM tính đến bộ nhớ dài hạn và ước tính hiệu quả word2vec của các cách biểu diễn từ giúp phân tích tình cảm hiệu quả.

Đối với công việc trong tương lai, chúng tôi muốn xem xét sử dụng LSTM hai chiều để phân loại cảm tính nhằm đào tạo hai chuỗi LSTM, chuỗi đầu vào thực tế và chuỗi ngược lại. +có thể giúp cải thiện hiệu suất của mô hình.

Tính sẵn có của dữ liệu

+dữ liệu được sử dụng để hỗ trợ các phát hiện của nghiên cứu này có sẵn từ tác giả tương ứng theo yêu cầu.

Xung đột lợi ích

+e tác giả tuyên bố rằng họ không có xung đột lợi ích.

Sự nhìn nhận

+nghiên cứu được tài trợ bởi Dự án hỗ trợ các nhà nghiên cứu của Đại học Princess Nourah bint Abdulrahman. (PNURSP2022R120), Đại học Princess Nourah bint Abdulrahman, Riyadh, Ả Rập Saudi.

Người giới thiệu

[1] B. Liu, Phân tích tình cảm: Khai thác ý kiến, tình cảm và cảm xúc, Đại học Cambridge. Press, New York, NY, USA, 1stition, 2015.

[2] P. Balaji, O. Nagaraju và D. Haritha, "Tháng 3). Các cấp độ phân tích tình cảm và những thách thức của nó: đánh giá tài liệu," trong Kỷ yếu của Hội nghị quốc tế về phân tích dữ liệu lớn và trí tuệ tính toán (ICBDAC),trang. 436–439, IEEE, Chirala, Ấn Độ, tháng 3 năm 2017.

[3] R. Varghese và M. Jayasree, "Một cuộc khảo sát về phân tích tình cảm và khai thác ý kiến", Tạp chí Quốc tế về Công nghệ Năng lượng Tái tạo, tập. 2, không. 11, trang 312–317, 2013.

[4] C. Sindhu và DS Chandrakala, "Một cuộc khảo sát về phân loại phân cực tình cảm và khai thác ý kiến," Tạp chí Quốc tế về Công nghệ Mới nổi và Kỹ thuật Tiên tiến, tập. 3, trang 531–539, 2013.

[5] A. Jurek, Mulvenna và Y. Bi, "Phân tích cảm xúc dựa trên từ vựng được cải thiện cho phân tích phương tiện truyền thông xã hội," Tin học bảo mật, tập. 4, không. 1, tr. Ngày 9 năm 2015.

[6] S. Zhang, D. Zhang, H. Zhong và G. Wang, "Một mô hình phân loại đa cảm xúc dành cho các đánh giá thương mại điện tử," IEEE Access, tập. 8, trang 189513–189526, 2020.

[7] J. Devlin, M. Chang, K. Lee và K. Toutanova, "BERT: đào tạo trước các máy biến áp hai chiều sâu để hiểu ngôn ngữ," trong Kỷ yếu của Hội nghị Ngôn ngữ học tính toán của Hiệp hội Chương Bắc Mỹ, Công nghệ ngôn ngữ của con người, trang 4171 –4186, Minneapolis, Minnesota, tháng 6 năm 2019.

[8] L. Dey, S. Chakraborty, A. Biswas, B. Bose và S. Tiwari,"Phân tích tình cảm của các tập dữ liệu đánh giá bằng cách sử dụng bộ phân loại Bayes andk-nn ngây thơ," 2016,https://arxiv.org/abs/1610.09982.

[9] MR Huq, A. Ali và A. Rahman, "Phân tích tình cảm trên dữ liệu Twitter bằng KNN và SVM," Tạp chí Quốc tế về Khoa học và Ứng dụng Máy tính Tiên tiến, tập. 8, không. 6, trang. 19–25, 2017.

[10] BS Lakshmi, PS Raj và RR Vikram, "Phân tích tình cảm bằng kỹ thuật học sâu CNN với KMeans," Tạp chí Quốc tế về Toán học thuần túy và ứng dụng, tập. 114, không. 11, trang 47–57, 2017.

[11] Y. Fang, H. Tan và J. Zhang, "Phân tích tình cảm đa chiến lược về đánh giá của người tiêu dùng dựa trên độ mờ ngữ nghĩa," IEEE Access, tập. 6, trang 20625–20631, 2018.

[12] B. Shin, T. Lee và JD Choi, "Lexicon tích hợp các mô hình CNN với sự chú ý để phân tích tình cảm," 2016,https://arxiv.org/abs/1610.06272.

For more information:1950477648nn@gmail.com