ई-कॉमर्स समीक्षाओं का कुशल दीर्घकालिक अल्पकालिक स्मृति-आधारित भावना विश्लेषण भाग 3

4. परिणाम

हमने अपने मॉडल को लगभग 10 युगों तक प्रशिक्षित किया और प्रशिक्षण और सत्यापन हानि के साथ-साथ प्रशिक्षण और सत्यापन सटीकता की गणना की।

हानि हमारे जीवन में एक अपरिहार्य घटना की तरह लग सकती है, लेकिन हमारे मानसिक स्वास्थ्य और स्मृति पर इसका प्रभाव गहरा हो सकता है।

सबसे पहले, जब हम नुकसान का अनुभव करते हैं, तो नकारात्मक भावनाओं में फंसना आसान होता है। इसमें उदासी, क्रोध, चिंता और बहुत कुछ शामिल हो सकता है। ये भावनाएँ हमारे मानसिक स्वास्थ्य को प्रभावित कर सकती हैं, जिससे हम थका हुआ, शक्तिहीन और निराश महसूस कर सकते हैं। साथ ही, ये नकारात्मक भावनाएं हमारी याददाश्त पर भी असर डाल सकती हैं, जिससे हमारे लिए ध्यान केंद्रित करना मुश्किल हो जाता है और हमारी याददाश्त धुंधली हो जाती है।

याददाश्त बेहतर करने के लिए सप्लीमेंट्स जानें पर क्लिक करें

हालाँकि, जब हम नुकसान का अनुभव करते हैं, तब भी हम सकारात्मक दृष्टिकोण और आशावादी दृष्टिकोण बनाए रख सकते हैं, जिससे हमें अपने मानसिक स्वास्थ्य और स्मृति पर नकारात्मक भावनाओं के प्रभाव को दूर करने में मदद मिलती है। इसमें दोस्तों और परिवार के साथ समय बिताना, भावनाओं को साझा करना, स्वस्थ आहार और जीवनशैली बनाए रखना, शारीरिक व्यायाम में शामिल होना और मनोचिकित्सा में भाग लेना, अन्य चीजें शामिल हैं।

इसके अतिरिक्त, हम नुकसान की प्रक्रिया के दौरान अच्छी यादें बनाए रखने में मदद के लिए सक्रिय कदम उठा सकते हैं। इसमें खुद को नई परिस्थितियों को स्वीकार करने और उनके अनुकूल ढलने के लिए कुछ समय देना, साथ ही नई मेमोरी तकनीकों और रणनीतियों को आज़माना शामिल है, जैसे मेमोरी एसोसिएशन बनाना, व्यायाम दोहराना, मेमोरी स्टिक का उपयोग करना आदि।

कुल मिलाकर, नुकसान हमारे मानसिक स्वास्थ्य और याददाश्त पर असर डालता है, लेकिन हम इन प्रभावों को दूर करने के लिए सक्रिय कदम उठा सकते हैं। यदि हम सकारात्मक दृष्टिकोण बनाए रख सकते हैं और खुद को नई परिस्थितियों के साथ तालमेल बिठाने के लिए कुछ समय दे सकते हैं, तो हम अधिक आसानी से अपने मानसिक स्वास्थ्य और याददाश्त को पुनः प्राप्त करने में सक्षम हो सकते हैं और फिर से बेहतर जीवन की ओर बढ़ सकते हैं। यह देखा जा सकता है कि हमें याददाश्त में सुधार करने की आवश्यकता है, और सिस्टैंच डेजर्टिकोला याददाश्त में काफी सुधार कर सकता है क्योंकि सिस्टैंच डेजर्टिकोला एक पारंपरिक चीनी औषधीय सामग्री है जिसके कई अद्वितीय प्रभाव हैं, जिनमें से एक स्मृति में सुधार करना है। कीमा बनाया हुआ मांस की प्रभावकारिता इसमें मौजूद विभिन्न सक्रिय तत्वों से आती है, जिसमें एसिड, पॉलीसेकेराइड, फ्लेवोनोइड आदि शामिल हैं। ये तत्व विभिन्न तरीकों से मस्तिष्क स्वास्थ्य को बढ़ावा दे सकते हैं।

हम चित्र 4 से देख सकते हैं कि मॉडल के पूरे प्रशिक्षण के दौरान प्रशिक्षण और सत्यापन हानि दोनों में कमी आई है। चित्र 5 से पता चलता है कि प्रशिक्षण और सत्यापन सटीकता बाद में 10 युगों तक बढ़ी।

चूँकि, भविष्यवाणी के बाद, हमें जो अंतिम आउटपुट मिलता है वह संभाव्यता है, हम यह निर्धारित करने के लिए एक निश्चित सीमा लागू करते हैं कि डेटा सकारात्मक या नकारात्मक वर्ग से संबंधित है या नहीं। इस उद्देश्य के लिए, हमने आरओसी वक्र का उपयोग किया है जो वास्तविक सकारात्मक और नकारात्मक दरों को प्लॉट करता है।

यह बाइनरी क्लासिफायरियर के लिए थ्रेशोल्ड मान खोजने में मदद करता है। चित्र 6 में दिखाए गए हमारे आरओसी वक्र से, हमने अपनी सीमा के रूप में 0.78 को चुना है।

+e सहेजे गए मॉडल को पुनः लोड किया गया है और उपरोक्त थ्रेशोल्ड मान पर विचार करते हुए परीक्षण डेटा पर भविष्यवाणियां तैयार की गई हैं। अब हमारे पास मूल भावना के साथ-साथ अनुमानित भावना भी है।

चूंकि डेटासेट असंतुलित है, इसलिए मॉडल का परीक्षण करने के लिए बेहतर पैरामीटर सटीकता के बजाय एफ1 स्कोर होगा।

तालिका 4 में, हमने अन्य बेसलाइन मॉडल की सटीकता, परिशुद्धता, रिकॉल और एफ1 स्कोर संकलित किया है और उनकी तुलना हमारे मॉडल से की है। +ई आधारभूत मॉडलों पर उस साहित्य से विचार किया गया जिसकी हमने इस प्रयोग के लिए समीक्षा की थी।

5. निष्कर्ष+ पेपर ई-कॉमर्स समीक्षाओं के संदर्भ में भावना विश्लेषण पर चर्चा करता है। समीक्षाओं की राय जानने के क्षेत्र में पहले भी विभिन्न तकनीकों का सर्वेक्षण किया जा चुका है।

हमारे डेटाबेस में अमेज़ॅन के सेल फोन और एक्सेसरीज़ अनुभाग की समीक्षाएं शामिल हैं। गहन शिक्षण का उपयोग करके भावनाओं को वर्गीकृत करने के लिए दीर्घकालिक अल्पकालिक मेमोरी नेटवर्क का उपयोग किया गया था। हमारे कस्टम प्रशिक्षण डेटासेट का उपयोग Word2vec एम्बेडिंग तकनीक में एम्बेडेड सुविधाओं को निकालने के लिए किया गया था। आरओसी वक्र के आधार पर, हमने निर्धारित किया है कि 0.78 अंतिम सीमा है जिसका उपयोग हमें भावनाओं को वर्गीकृत करने के लिए करना चाहिए।

हमारे मॉडल के प्रदर्शन का मूल्यांकन करने के लिए चार मापदंडों का उपयोग किया गया है: सटीकता, सटीकता, रिकॉल और एफ1 स्कोर। 97% की प्रशंसा चार मापदंडों में सबसे अधिक पाई गई है।

चूँकि डेटासेट असंतुलित है, हम F1स्कोर को मॉडल के प्रदर्शन का सर्वोत्तम माप मानते हैं, जिससे 93% का मूल्यांकन प्राप्त होता है। इस शोध का मुख्य प्रयास बड़ी मात्रा में डेटा के साथ मॉडल की कार्यक्षमता का परीक्षण करना था। +is विधि लगभग 938,261 समीक्षाओं के इतने बड़े डेटा के लिए भी अच्छे परिणाम प्रदान करती है। +ई इस पद्धति का उपयोग करने का मुख्य लाभ यह है कि एलएसटीएम दीर्घकालिक स्मृति और शब्द अभ्यावेदन के शब्द 2vec कुशल अनुमान को ध्यान में रखता है जो कुशल भावना विश्लेषण में मदद करता है।

भविष्य के काम के लिए, हम भावना वर्गीकरण के लिए द्विदिश एलएसटीएम का उपयोग करने पर विचार करना चाहेंगे जो एलएसटीएम के दो पहलुओं, वास्तविक इनपुट अनुक्रम और रिवर्स को प्रशिक्षित करता है। +मॉडल के प्रदर्शन को बेहतर बनाने में मदद मिल सकती है।

डेटा उपलब्धता

+ई इस अध्ययन के निष्कर्षों का समर्थन करने के लिए उपयोग किया जाने वाला डेटा अनुरोध पर संबंधित लेखक से उपलब्ध है।

हितों का टकराव

+ई लेखक घोषणा करते हैं कि उनके हितों का कोई टकराव नहीं है।

स्वीकृतियाँ

+इस शोध को प्रोजेक्ट नंबर (PNURSP2022R120), प्रिंसेस नौराह बिन्त अब्दुलरहमान यूनिवर्सिटी, रियाद, सऊदी अरब का समर्थन करने वाले प्रिंसेस नौराह बिन्त अब्दुलरहमान विश्वविद्यालय के शोधकर्ताओं द्वारा वित्त पोषित किया गया था।

संदर्भ

[1] बी. लियू, सेंटीमेंट एनालिसिस: माइनिंग ओपिनियन्स, सेंटीमेंट्स, एंड इमोशन्स, कैम्ब्रिज यूनिवर्सिटी। प्रेस, न्यूयॉर्क, एनवाई, यूएसए, 1स्टेडिशन, 2015।

[2] पी. बालाजी, ओ. नागराजू, और डी. हरिता, "मार्च)। भावना विश्लेषण के स्तर और इसकी चुनौतियाँ: एक साहित्य समीक्षा," बिग डेटाएनालिटिक्स और कम्प्यूटेशनल इंटेलिजेंस (आईसीबीडीएसी) पर अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, पीपी। 436-439, आईईईई, चिराला, भारत, मार्च 2017।

[3] आर. वर्गीस और एम. जयश्री, "भावना विश्लेषण और राय खनन पर एक सर्वेक्षण," इंटरनेशनल जर्नल ऑफ रिन्यूएबल एनर्जी टेक्नोलॉजी, वॉल्यूम। 2, नहीं. 11, पृ. 312-317, 2013।

[4] सी. सिंधु और डीएस चंद्रकला, "ए सर्वे ऑन ओपिनियन माइनिंग एंड सेंटीमेंट पोलरिटी क्लासिफिकेशन," इंटरनेशनल जर्नल ऑफ इमर्जिंग टेक्नोलॉजी एंड एडवांस्ड इंजीनियरिंग, वॉल्यूम। 3, पृ. 531-539, 2013।

[5] ए. ज्यूरेक, मुलवेना, और वाई. बी, "सोशल मीडिया एनालिटिक्स के लिए बेहतर लेक्सिकॉन-आधारित भावना विश्लेषण," सुरक्षा सूचना विज्ञान, वॉल्यूम। 4, नहीं. 1, पृ. 9, 2015.

[6] एस. झांग, डी. झांग, एच. झोंग, और जी. वांग, "ई-कॉमर्स समीक्षाओं के लिए भावना का एक बहुवर्गीकरण मॉडल," आईईईई एक्सेस, वॉल्यूम। 8, पृ. 189513-189526, 2020।

[7] जे. डेवलिन, एम. चांग, ​​के. ली, और के. टुटानोवा, "बीईआरटी: भाषा समझ के लिए गहरे द्विदिशीय ट्रांसफार्मर का पूर्व प्रशिक्षण," सम्मेलन की कार्यवाही में नॉर्थअमेरिकन चैप्टर एसोसिएशन कम्प्यूटेशनल भाषाविज्ञान, मानव भाषा तकनीक, पीपी 4171 -4186, मिनियापोलिस, मिनेसोटा, जून 2019।

[8] एल. डे, एस. चक्रवर्ती, ए. बिस्वास, बी. बोस, और एस. तिवारी, "नाइव बेयस और के-एनएन क्लासिफायर का उपयोग करके समीक्षा डेटासेट का भावना विश्लेषण," 2016,https://arxiv.org/abs/1610.09982।

[9] एमआर हक, ए. अली, और ए. रहमान, "केएनएन और एसवीएम का उपयोग करके ट्विटर डेटा पर भावना विश्लेषण," इंटरनेशनल जर्नल ऑफ एडवांस्ड कंप्यूटर साइंस एंड एप्लिकेशन, वॉल्यूम। 8, नहीं. 6, पृ. 19-25, 2017.

[10] बीएस लक्ष्मी, पीएस राज, और आरआर विक्रम, "सेंटीमेंट एनालिसिसयूजिंग डीप लर्निंग तकनीक सीएनएन विद केमीन्स," इंटरनेशनल जर्नल ऑफ प्योर एंड एप्लाइड मैथमेटिक्स, वॉल्यूम। 114, नहीं. 11, पीपी. 47-57, 2017।

[11] वाई. फैंग, एच. टैन, और जे. झांग, "सिमेंटिक फ़ज़ीनेस पर आधारित उपभोक्ता समीक्षाओं का बहु-रणनीति भावुक विश्लेषण," आईईईई एक्सेस, वॉल्यूम। 6, पीपी. 20625-20631, 2018।

[12] बी. शिन, टी. ली, और जेडी चोई, "लेक्सिकन ने भावना विश्लेषण के लिए ध्यान के साथ सीएनएनमॉडल को एकीकृत किया," 2016,https://arxiv.org/abs/1610.06272।

For more information:1950477648nn@gmail.com