Analyse efficace des sentiments basée sur la mémoire à long et à court terme des avis sur le commerce électronique, partie 1

À l'ère moderne d'aujourd'hui, le commerce électronique progresse en mettant les biens à la portée de tous. Les consommateurs ne sont même pas obligés de sortir du confort de leur foyer pour acheter des choses, ce qui le rend très pratique pour eux.

Avec le développement continu de la technologie moderne et le développement rapide du commerce électronique, nos vies sont devenues plus pratiques et plus efficaces, ce qui a également affecté dans une certaine mesure notre mémoire. Cependant, il existe bel et bien une relation entre le commerce électronique et la mémoire, et cette relation est positive et ascendante.

Tout d’abord, le commerce électronique nous offre une méthode d’achat plus pratique. Nous n’avons plus besoin d’aller au centre commercial pour faire nos achats en personne. En quelques clics de souris, les marchandises dont nous avons besoin peuvent nous être livrées par livraison express. Cette forme de shopping élimine les soucis des longues attentes et des foules, ce qui nous permet d'économiser du temps et de l'énergie. Avec le développement du commerce électronique, nous pouvons utiliser des technologies plus intelligentes pour faire nos achats, telles que les achats vocaux, les recommandations intelligentes, etc. Ces technologies peuvent rendre nos achats plus pratiques et efficaces.

Deuxièmement, le commerce électronique peut également nous aider à mieux gérer les informations et les données, ce qui est bénéfique pour notre mémoire et notre efficacité au travail. Nous pouvons utiliser des outils tels que le courrier électronique, les disques cloud et les notes en ligne pour enregistrer et partager des informations importantes, libérant ainsi notre cerveau. Ces outils nous aident à mieux organiser et gérer les informations, garantissant que notre cerveau n'a besoin de se concentrer que sur les choses les plus importantes. Dans ce cas, notre mémoire est toujours entraînée car nous utilisons ces techniques et outils pour nous aider à mémoriser l’information plutôt que d’essayer de la mémoriser.

Enfin, le commerce électronique peut également nous aider à apprendre et à nous développer, ce qui est très bénéfique pour notre mémoire et notre développement intellectuel. Nous pouvons acquérir de nouvelles connaissances et compétences grâce à des cours en ligne, des livres électroniques, des plateformes d'apprentissage en ligne et d'autres outils. Ces outils nous permettent de mieux gérer et maîtriser les connaissances, tout en nous aidant également à mieux développer notre vie professionnelle et personnelle. Cette façon d’apprendre peut stimuler notre réflexion et améliorer notre mémoire et notre créativité.

Globalement, il existe bien une relation entre le commerce électronique et la mémoire, mais elle est positive et ascendante. Nous pouvons utiliser le commerce électronique pour améliorer notre qualité de vie et notre efficacité au travail, mais nous pouvons également l’utiliser pour améliorer notre intelligence et notre mémoire. Par conséquent, nous devrions utiliser activement ces technologies et outils pour ajouter plus d’énergie positive à nos vies et à notre évolution de carrière. On peut voir que nous devons améliorer la mémoire, et la Cistanche deserticola peut améliorer considérablement la mémoire, car la Cistanche deserticola est une matière médicinale traditionnelle chinoise qui a de nombreux effets uniques, dont l'un est d'améliorer la mémoire. L’efficacité de la viande hachée vient des différents ingrédients actifs qu’elle contient, notamment des acides, des polysaccharides, des flavonoïdes, etc. Ces ingrédients peuvent favoriser la santé cérébrale de diverses manières.

Cliquez sur connaître 10 façons d'améliorer la mémoire

De plus, il existe une grande variété de marques parmi lesquelles choisir. Étant donné que de plus en plus de clients dépendent des plateformes d’achat en ligne de nos jours, la valeur des notes augmente également. Pour acheter ces produits, les gens se fient uniquement aux avis fournis sur les produits.

Pour analyser ces avis, une analyse des sentiments doit être effectuée, ce qui peut s'avérer utile à la fois pour les acheteurs et pour le fabricant. Cet article décrit le processus d’analyse des sentiments et ses exigences.

Dans cet article, l'ensemble de données Amazon Review 2018 a été utilisé pour mener à bien nos recherches et la mémoire à long terme (LSTM) a été combinée avec la représentation word2vec, ce qui a permis d'améliorer les performances globales.

Un mécanisme de contrôle a été utilisé par LSTM pendant le processus de formation. Le modèle LSTM proposé a été évalué sur quatre mesures de performance : exactitude, précision, rappel et F1score, et a obtenu des résultats globalement plus élevés par rapport aux autres modèles de base.

1. Présentation

La communication a joué un rôle clé dans le renforcement des relations sociales depuis les temps historiques. De nos jours, presque tous les segments de la société utilisent les médias sociaux, car ils sont devenus un outil de réseautage efficace. La partie principale des médias sociaux comprend les sites de commerce électronique.

En raison des progrès rapides des technologies du commerce électronique, la majorité des gens choisissent désormais d'acheter en ligne. Les gens peuvent utiliser les médias sociaux pour fournir des commentaires sur diverses situations, éléments et ressources, qui peuvent être positifs ou négatifs, en fonction de l'expérience du client.

Les commentaires défavorables jouent un rôle essentiel dans la croissance de l’entreprise car ils contribuent à améliorer les services. Ici, l’analyse des sentiments entre en jeu.

L'analyse des sentiments aide à donner le point de vue d'un client sur différents produits via des informations textuelles et en même temps à évaluer ces avis partagés.

Divers types de recherches suggèrent que l'analyse des sentiments est généralement menée à trois niveaux : la phrase, le document et la phrase [1–3]. Les sous-étapes impliquées dans le processus d'analyse des sentiments sont représentées dans la figure 1.

Une recherche propose d'utiliser les réseaux LSTM pour classer un grand nombre d'avis Amazon. Cette technique d'apprentissage profond est rapide et donne de meilleurs résultats même pour un grand nombre d'avis. L'étude utilise l'intégration word2vec pour l'estimation efficace des représentations de mots dans l'espace vectoriel.

Word2vec fournit de meilleurs résultats que les méthodes de représentation standard telles que le sac de mots ou l'encodage en une partie. Cette étude se concentre principalement sur deux parties : Cartographie efficace des mots de sentiments dans l'espace vectoriel via le modèle word2vec et le réseau LSTM pour classer les avis.

2. Enquête sur la littérature

+Cette section contient tous les travaux de base importants sur le sujet de l'analyse des sentiments qui sont pertinents pour notre recherche.

Nous avons découvert que la plupart des travaux antérieurs utilisaient des algorithmes d'apprentissage automatique, des algorithmes d'apprentissage profond et un lexique des sentiments. Dans le tableau 1, nous avons résumé les approches utilisées dans la recherche ainsi que les avantages et les inconvénients de ces approches.

En 2013, Sindhu et Chandrakala [4] ont observé des techniques récentes et efficaces utilisées pour étudier l'analyse des sentiments, notamment la classification de la polarité des sentiments et diverses techniques d'apprentissage automatique telles que NaiveBayes, l'entropie maximale et la machine à vecteurs de support. L'enquête suggère que la classification des sentiments peut être déterminée par deux attributs, l'attribution de polarité, c'est-à-dire déterminer si le sentiment est positif, négatif ou neutre, et l'attribution d'intensité, qui décrit la force ou la douceur d'un sentiment particulier en termes de polarité.

Jurek et coll. [5] ont présenté un modèle avec un algorithme d'analyse des sentiments basé sur un lexique qui comprenait deux éléments clés : une fonction d'intégration basée sur des preuves et une normalisation des sentiments qui mesurait l'émotion plutôt qu'une étiquette positive/négative et aidait à la différenciation des différentes émotions.

Un corpus Twitter accessible au public a été utilisé comme ensemble de données pour cette étude, l'objectif principal de l'étude étant l'analyse du contenu Twitter en temps réel.

Zhang et coll. [6] ont présenté une approche multiclassification pour effectuer une analyse des sentiments sur les avis de commerce électronique.

De plus, Zhang et al. [6] ont présenté un modèle de multiclassification pour l'analyse des sentiments des avis sur le commerce électronique. L'ensemble de données d'examen +eAmazon (2018) a été utilisé pour l'étude proposée, qui était basée sur un problème pondéré dirigé. L'étude proposée a déclaré que, par l'extraction de mots d'entité dotés de caractéristiques, l'évaluation des modèles de sentiments et l'évaluation du chemin le plus court entre les nœuds, le problème de la similarité des sentiments pourrait être transformé en un problème de calcul du chemin le plus court. Comparé au modèle BERT [7], ce modèle a de meilleurs résultats en termes de temps CPU de l'algorithme.

Dey et coll. [8] ont examiné les algorithmes d'apprentissage automatique K-NN et Naive Bayes, en utilisant trois métriques d'évaluation. Le classificateur +eNaive Bayes a surpassé le classificateur K-NN dans son travail.

Les chercheurs dans [9] ont présenté un modèle de classification des sentiments avec deux techniques. + Dans la première approche proposée, l'algorithme de classification des sentiments a utilisé le classificateur K-NN et dans l'autre, l'algorithme de la machine vectorielle de support a été utilisé. + L'efficacité de l'algorithme de classification a été validée sur la base de tweets réels. Les résultats obtenus ont montré que l'algorithme de classification des sentiments a surpassé SVM lors de la validation expérimentale.

Dans [10], une comparaison des méthodes d'apprentissage supervisé et non supervisé a été présentée. Leurs travaux ont fourni une analyse comparative des algorithmes d'apprentissage supervisés (CNN et KNN) et non supervisés (CNN avec K signifie clustering).

Fang et coll. [11] ont introduit une technique d'analyse multi-sentiments qui intègre fortement la théorie des ensembles flous, la théorie de l'apprentissage automatique et une méthode basée sur le lexique de polarité. Les avis des consommateurs ont ensuite été analysés à l'aide de ce modèle hybride.

Des algorithmes Naive Bayes et SVM ont été utilisés pour cette étude. Le modèle SVM amélioré, c'est-à-dire une méthode hybride combinant l'analyse des sentiments multistratégie avec le SVM, a eu beaucoup plus de succès et a donné une précision de 86,35 %.

De plus, une augmentation de 3,8 % de la précision a été observée lors de la mise en œuvre du Naive Bayes amélioré. De plus, les chercheurs de [12] ont présenté un moyen d'incorporer des intégrations lexicales et un mécanisme d'attention dans CNN. +edataset a été créé à l'aide de tweets. La méthode +e a été évaluée à l’aide du score F1. + Le travail suggéré a été mieux réalisé que les travaux actuels.

Un système de recommandation (RDSA) basé sur un réseau neuronal récursif (RNN) a été introduit par Preethi et al.[13].

L'apprentissage profond a été utilisé pour optimiser les suggestions centrées sur l'analyse des sentiments et a été réalisé sur trois revues distinctes dans cette étude.

Tout d'abord, des ensembles de données ont été étudiés et leurs aspects statistiques ont été observés avant d'implémenter le classificateur Naive Bayes et le RNN. Les résultats des essais ont montré que l'utilisation de RNN, un réseau neuronal profond, améliorait la précision de l'analyse des sentiments, conduisant à des suggestions plus fines pour les utilisateurs et facilitant la sélection d'une position particulière en fonction des exigences des utilisateurs.

De plus, les chercheurs dans [14] ont proposé d'utiliser une sélection de fonctionnalités basée sur Giniindex et un classificateur SVM pour catégoriser les données. L'ensemble de données +e pour cette étude était une vaste collection de critiques de films.

Sur la base des résultats des expériences, la méthode proposée s’est avérée moins précise que les autres méthodes. Un RNN sécurisé avec des connexions inter-opinions a été introduit par Chen et al. [15]. +isapproach avait une précision d’environ 92,6 %.

Pour la classification, une unité récurrente bidirectionnelle (BiGRU) associée à un mécanisme d'attention a été proposée dans [16]. Cette approche s'est avérée efficace pour les tâches de classification et a généré de meilleurs résultats que les méthodes utilisées précédemment, avec une précision de 93,1 %. Un modèle d'analyse des sentiments de remplacement intégrant le CNN et le BiGRU basé sur l'attention a été proposé par les chercheurs dans [17].

En intégrant les avantages du lexique des sentiments à la technologie d'apprentissage en profondeur, cela compense les défauts du modèle traditionnel d'analyse des sentiments pour les avis sur les produits. +e sentimentlexicon prend en charge les attributs de sentiment trouvés dans les critiques et CNN utilisé conjointement avec le réseau d'unités récurrentes fermées extrait des caractéristiques de sentiment et des éléments de contexte importants. Le modèle suggéré a donné une précision de 93,5 % dans l'analyse expérimentale, ce qui s'est avéré supérieur aux modèles NB, SVM et CNN. Hyun et coll. [18] ont suggéré un modèle de réseau neuronal convolutif basé sur la dépendance à la cible. La méthode recommandée permet d'évaluer l'impact des mots environnants sur le mot cible en calculant la distance entre le mot cible et les mots environnants. Leur étude a révélé que chaque terme d'une phrase avait un effet varié sur la polarité émotionnelle de la déclaration.
Un modèle d'apprentissage profond hybride qui intègre systématiquement plusieurs approches d'intégration de mots (Word2vec, FastText et intégration au niveau des caractères) et plusieurs méthodes d'apprentissage profond (LSTM, GRU, BiLSTM et CNN) a été proposé par les chercheurs dans [19]. + Le modèle suggéré obtient des fonctionnalités en les extrayant à l'aide de diverses méthodes d'incorporation de mots, les fusionne et classe le texte comme ressentiment.

Pour valider les performances du modèle suggéré, de nombreux modèles d'apprentissage profond appelés modèles standard ont été construits et utilisés pour exécuter une série d'expériences. En comparant les performances du modèle proposé avec celles de recherches antérieures, le nouveau modèle surpasse les modèles de base, selon les résultats de cette étude.

For more information:1950477648nn@gmail.com