전자상거래 리뷰의 효율적인 장단기 메모리 기반 감성 분석 1부

오늘날의 현대 시대에 전자 상거래는 모든 사람이 물건을 손에 넣을 수 있도록 하는 과정을 통해 발전하고 있습니다. 소비자는 물건을 사기 위해 집에서 편안하게 나갈 필요조차 없기 때문에 매우 편리합니다.

현대 기술의 지속적인 발전과 전자상거래의 급속한 발전으로 인해 우리의 삶은 더욱 편리해지고 효율적이게 되었으며, 이는 우리의 기억력에도 어느 정도 영향을 미쳤습니다. 그러나 실제로 전자상거래와 기억 사이에는 관계가 있으며, 그 관계는 긍정적이고 상향적입니다.

우선, 전자상거래는 우리에게 보다 편리한 쇼핑 방법을 제공합니다. 우리는 더 이상 직접 쇼핑하기 위해 쇼핑몰에 갈 필요가 없습니다. 몇 번의 마우스 클릭만으로 우리에게 필요한 상품이 신속 배송으로 우리에게 배달될 수 있습니다. 이러한 형태의 쇼핑은 오랜 기다림과 인파에 대한 걱정을 없애고 시간과 에너지를 절약해 줍니다. 전자 상거래의 발전으로 우리는 음성 쇼핑, 지능형 추천 등과 같은 보다 지능적인 기술을 쇼핑에 사용할 수 있습니다. 이러한 기술은 쇼핑을 더욱 편리하고 효율적으로 만들어줍니다.

둘째, 전자상거래는 정보와 데이터를 더 잘 관리하는 데 도움이 되며, 이는 기억력과 업무 효율성에 도움이 됩니다. 이메일, 클라우드 디스크, 온라인 메모와 같은 도구를 사용하여 중요한 정보를 기록하고 공유함으로써 두뇌를 자유롭게 할 수 있습니다. 이러한 도구는 정보를 더 잘 구성하고 관리하는 데 도움이 되므로 우리의 두뇌는 가장 중요한 것에만 집중할 수 있습니다. 이 경우, 정보를 기억하려고 하기보다는 정보를 기억하는 데 도움이 되는 기술과 도구를 사용하기 때문에 우리의 기억은 여전히 ​​훈련됩니다.

마지막으로, 전자상거래는 학습과 발전에도 도움이 되며, 이는 기억력과 지적 발달에 매우 유익합니다. 우리는 온라인 강좌, 전자책, 온라인 학습 플랫폼 및 기타 도구를 통해 새로운 지식과 기술을 배울 수 있습니다. 이러한 도구를 통해 우리는 지식을 더 잘 관리하고 숙달할 수 있을 뿐만 아니라 직업적, 개인적 삶을 더 잘 발전시킬 수 있습니다. 이러한 학습 방법은 우리의 사고를 자극하고 기억력과 창의력을 향상시킬 수 있습니다.

전반적으로 전자상거래와 기억 사이에는 실제로 관계가 있지만 이는 긍정적이고 상승적인 관계입니다. 우리는 전자상거래를 활용하여 삶의 질과 업무 효율성을 향상시킬 수 있으며, 지능과 기억력을 향상시키는 데에도 사용할 수 있습니다. 그러므로 우리는 이러한 기술과 도구를 적극적으로 활용하여 우리의 삶과 경력 개발에 긍정적인 에너지를 더해야 합니다. 기억력 향상이 필요함을 알 수 있는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.

기억력을 향상시키는 10가지 방법을 알아보세요

게다가 선택할 수 있는 브랜드도 다양합니다. 요즘에는 온라인 쇼핑 플랫폼에 의존하는 고객이 늘어나면서 평점의 가치도 높아지고 있습니다. 이러한 제품을 구매하기 위해 사람들은 제품에 대해 제공되는 리뷰에만 의존합니다.

이러한 리뷰를 분석하려면 감정 분석을 수행해야 하며 이는 구매자와 제조업체 모두에게 유용할 수 있습니다. 이 논문에서는 감정 분석 프로세스와 요구 사항을 설명합니다.

본 논문에서는 연구 수행을 위해 Amazon Reviewdataset 2018을 사용하였고, LSTM(Long Short-Term Memory)을 word2vec 표현과 결합하여 전반적인 성능을 향상시켰습니다.

훈련 과정에서 LSTM은 게이팅 메커니즘을 사용했습니다. 제안된 LSTM 모델은 정확도, 정밀도, 재현율, F1score의 4가지 성능 척도에 대해 평가되었으며, 다른 기준 모델과 비교했을 때 전반적으로 더 높은 결과를 얻었습니다.

1. 소개

의사소통은 역사적 시대부터 사회적 관계를 강화하는 데 핵심적인 역할을 해왔습니다. 오늘날 사회의 거의 모든 부문에서 소셜 미디어가 효과적인 네트워킹 도구로 발전하면서 이를 사용하고 있습니다. 소셜 미디어의 주요 부분은 전자상거래 사이트로 구성됩니다.

전자상거래 기술의 급속한 발전으로 인해 이제 대다수의 사람들이 온라인 구매를 선택하고 있습니다. 사람들은 소셜 미디어를 사용하여 고객의 경험을 바탕으로 긍정적일 수도 있고 부정적일 수도 있는 다양한 상황, 품목, 자원에 대한 피드백을 제공할 수 있습니다.

부정적인 댓글은 서비스 개선에 도움이 되기 때문에 회사 성장에 필수적인 역할을 합니다. 여기서는 감정 분석이 중요합니다.

감정 분석은 텍스트 정보를 통해 다양한 상품에 대한 고객의 관점을 제공하는 동시에 공유된 리뷰를 평가하는 데 도움이 됩니다.

다양한 유형의 연구에 따르면 감정 분석은 일반적으로 문장, 문서, 구문 수준의 세 가지 수준에서 수행됩니다[1-3]. 감정 분석 프로세스와 관련된 하위 단계는 그림 1에 나와 있습니다.

연구에서는 LSTM 네트워크를 사용하여 수많은 Amazon 리뷰를 분류할 것을 제안합니다. 딥러닝 기술은 속도가 빠르고 리뷰가 많아도 더 나은 결과를 제공합니다. 본 연구에서는 벡터 공간의 단어 표현을 효율적으로 추정하기 위해 word2vec 임베딩을 사용합니다.

Word2vec은 BOW(Bag of Words) 또는 단일 부분 인코딩과 같은 표준 표현 방법보다 더 나은 결과를 제공합니다. 이 연구는 주로 두 부분에 초점을 맞추고 있습니다. 즉, 리뷰를 분류하기 위한 word2vec 모델과 LSTM 네트워크를 통해 감정 단어를 벡터 공간에 효율적으로 매핑하는 것입니다.

2. 문헌조사

+is 섹션에는 우리 연구와 관련된 감정 분석 주제에 대한 모든 중요한 배경 작업이 포함되어 있습니다.

우리는 대부분의 초기 작업이 기계 학습 알고리즘, 딥 러닝 알고리즘 및 감정 어휘를 사용했다는 것을 발견했습니다. Table 1에는 본 연구에서 사용된 접근방식과 각 접근방식의 장단점을 정리하였다.

2013년에 Sindhu와 Chandrakala[4]는 감정 극성 분류와 NaiveBayes, 최대 엔트로피 및 지원 벡터 머신과 같은 다양한 기계 학습 기술을 포함하여 감정 분석 연구에 사용되는 최신의 효율적인 기술을 관찰했습니다. +esurvey는 감정 분류가 두 가지 속성, 즉 감정이 긍정적인지, 부정적인지 또는 중립인지 결정하는 극성 할당과 극성 측면에서 특정 감정이 얼마나 강하거나 약한지를 나타내는 강도 할당에 의해 결정될 수 있다고 제안합니다.

Jureket al. [5]는 긍정적/부정적 레이블이 아닌 감정을 측정하고 다양한 감정의 차별화를 돕는 증거 기반 통합 기능과 감정 정규화라는 두 가지 주요 구성 요소를 포함하는 어휘 기반 감정 분석 알고리즘이 포함된 모델을 제시했습니다.

공개적으로 이용 가능한 트위터 코퍼스(Twitter Corpus)가 이 연구의 데이터 세트로 사용되었으며, 연구의 주요 초점은 실시간 트위터 콘텐츠 분석입니다.

Zhang et al. [6]은 전자상거래 리뷰에 대한 감정 분석을 수행하기 위한 다중 분류 접근 방식을 제시했습니다.

또한, Zhang et al. [6]은 전자상거래 리뷰의 감정 분석을 위한 다중 분류 모델을 제시했습니다. +eAmazon 리뷰 데이터세트(2018)는 방향성 가중치 문제를 기반으로 한 제안된 연구에 사용되었습니다. +e제안된 연구에서는 특징이 있는 개체 단어 추출, 감정 패턴 평가, 노드 간 최단 경로 평가를 통해 감정 유사성 문제가 최단 경로 계산 문제로 변환될 수 있다고 밝혔습니다. BERTmodel[7]과 비교했을 때 이 모델은 알고리즘의 CPU 시간 측면에서 더 나은 성능을 보였습니다.

Deyet al. [8]은 세 가지 평가 지표를 사용하여 기계 학습 알고리즘인 K-NN과 Naive Bayes를 조사했습니다. +eNaive Bayes 분류기는 작업에서 K-NN 분류기보다 성능이 뛰어났습니다.

[9]의 연구자들은 두 가지 기술을 사용하여 감정 분류 모델을 제시했습니다. +e 첫 번째 제안 방식에서는 감성 분류 알고리즘이 K-NN 분류기를 사용했고, 다른 하나에서는 지원 벡터머신 알고리즘이 사용되었습니다. +e 분류 알고리즘의 효율성은 실제 트윗을 기반으로 검증되었습니다. +er결과는 감정 분류 알고리즘이 실험적 검증에서 SVM보다 성능이 뛰어난 것으로 나타났습니다.

[10]에서는 지도 학습 방법과 비지도 학습 방법의 비교가 제시되었습니다. +eir 작업은 지도(CNN 및 KNN) 학습 알고리즘과 지도되지 않은(K가 포함된 CNN은 클러스터링을 의미함) 학습 알고리즘에 대한 비교 분석을 제공했습니다.

Fang et al. [11]은 퍼지 집합 이론, 기계 학습 이론 및 극성 어휘 기반 방법을 많이 통합한 다중 감정 분석 기술을 도입했습니다. 그런 다음 이 하이브리드 모델을 사용하여 소비자 리뷰를 분석했습니다.

본 연구에는 Naive Bayes 및 SVM 알고리즘이 사용되었습니다. +e 향상된 SVM 모델, 즉 다중 전략 감정 분석과 SVM을 결합한 하이브리드 방식은 훨씬 더 성공적이었으며 86.35%의 정확도를 제공했습니다.

또한 업그레이드된 Naive Bayes를 구현하는 동안 정확도가 3.8% 증가한 것으로 나타났습니다. 또한 [12]의 연구자들은 어휘 임베딩과 어텐션 메커니즘을 CNN에 통합하는 방법을 제시했습니다. +edataset는 트윗을 사용하여 생성되었습니다. +e 방법은 F1 점수를 사용하여 평가되었습니다. +e 제안된 작업은 현재 작업보다 더 잘 수행되었습니다.

Recursive Neural Network(RNN) 기반 추천 시스템(RDSA)은 Preethi et al.[13]에 의해 소개되었습니다.

본 연구에서는 감성분석을 중심으로 제안을 최적화하기 위해 딥러닝을 활용하였으며, 3차례에 걸쳐 별도의 검토를 거쳤다.

먼저 Naive Bayes 분류기와 RNN을 구현하기 전에 데이터 세트를 조사하고 통계적 측면을 관찰했습니다. +e실험 결과에 따르면 심층 신경망인 RNN을 사용하면 감정 분석의 정확성이 높아져 사용자에게 더 나은 제안을 제공하고 사용자의 요구 사항에 따라 특정 위치를 선택하는 데 도움이 되는 것으로 나타났습니다.

또한 [14]의 연구자들은 Giniindex 기반 특징 선택과 SVM 분류기를 사용하여 데이터를 분류할 것을 제안했습니다. +e 이 연구의 데이터 세트는 대규모 영화 리뷰 모음이었습니다.

실험 결과를 토대로 제안한 방법은 다른 방법에 비해 정확도가 떨어지는 것으로 판단되었다. 상호 의견 연결을 갖춘 Gated RNN은 Chen et al.에 의해 소개되었습니다. [15]. +isapproach의 정확도는 약 92.6%였습니다.

분류를 위해 주의 메커니즘과 쌍을 이루는 BiGRU(양방향 게이트 순환 장치)가 [16]에서 제안되었습니다. +이 접근 방식은 분류 작업에 효과적인 것으로 확인되었으며 이전에 활용된 방법보다 93.1%의 정확도로 더 나은 결과를 생성했습니다. CNN과 Attention-based BiGRU를 통합한 대체 감정 분석 모델이 [17]의 연구자에 의해 제안되었습니다.

정서 어휘의 이점을 딥 러닝 기술과 통합하여 제품 리뷰를 위한 기존 정서 분석 모델의 결함을 보완합니다. +e 감정 어휘집은 리뷰에서 발견된 감정 속성을 지원하며 게이트 순환 단위 네트워크와 함께 사용되는 CNN은 중요한 감정 특징과 컨텍스트 요소를 추출합니다. +e 제안 모델은 실험 분석에서 93.5%의 정확도를 보여 NB, SVM, CNN 모델보다 높은 것으로 나타났습니다. 현 외. [18]은 목표 의존성을 기반으로 한 컨볼루션 신경망 모델을 제안했습니다. +e 권장 방법은 타겟 단어와 주변 단어 사이의 거리를 계산하여 주변 단어가 타겟 단어에 미치는 영향을 평가하는 데 도움이 됩니다. +eir 연구에 따르면 문장의 각 용어는 진술의 감정적 극성에 다양한 영향을 미치는 것으로 나타났습니다.
여러 단어 임베딩 접근 방식(Word2vec, FastText 및 문자 수준 임베딩)과 여러 딥러닝 방법(LSTM, GRU, BiLSTM 및 CNN)을 체계적으로 통합하는 하이브리드 딥러닝 모델이 [19]에서 제안되었습니다. +e 제안 모델은 다양한 워드 임베딩 방법을 사용하여 특징을 추출하고 이를 병합한 후 텍스트를 Persentiment로 분류하여 특징을 얻습니다.

제안된 모델의 성능을 검증하기 위해 표준 모델로 알려진 수많은 딥러닝 모델을 구축하고 이를 사용하여 일련의 실험을 실행했습니다. 제안된 모델의 성능을 이전 연구의 성능과 비교할 때, 본 연구 결과에 따르면 새로운 모델이 기본 모델보다 성능이 뛰어납니다.

For more information:1950477648nn@gmail.com