ई-कॉमर्स समीक्षाओं का कुशल दीर्घकालिक अल्पकालिक स्मृति-आधारित भावना विश्लेषण भाग 1

आज के आधुनिक युग में, ई-कॉमर्स हर किसी की पहुंच में सामान लाने की प्रक्रिया में आगे बढ़ रहा है। उपभोक्ताओं को चीजें खरीदने के लिए अपने घरों से बाहर निकलने की भी आवश्यकता नहीं है, जिससे उनके लिए यह बहुत सुविधाजनक हो जाता है।

आधुनिक प्रौद्योगिकी के निरंतर विकास और ई-कॉमर्स के तेजी से विकास के साथ, हमारा जीवन अधिक सुविधाजनक और कुशल हो गया है, जिसने कुछ हद तक हमारी याददाश्त को भी प्रभावित किया है। हालाँकि, ई-कॉमर्स और मेमोरी के बीच वास्तव में एक संबंध है, और यह संबंध सकारात्मक और उर्ध्वगामी है।

सबसे पहले, ई-कॉमर्स हमें अधिक सुविधाजनक खरीदारी पद्धति प्रदान करता है। अब हमें व्यक्तिगत रूप से खरीदारी करने के लिए मॉल में जाने की आवश्यकता नहीं है। माउस के कुछ ही क्लिक से हमारी जरूरत का सामान एक्सप्रेस डिलीवरी द्वारा हम तक पहुंचाया जा सकता है। खरीदारी का यह तरीका लंबे इंतजार और भीड़ की चिंताओं को दूर करता है, जिससे हमारा समय और ऊर्जा बचती है। ई-कॉमर्स के विकास के साथ, हम खरीदारी करने के लिए अधिक बुद्धिमान प्रौद्योगिकियों का उपयोग कर सकते हैं, जैसे वॉयस शॉपिंग, बुद्धिमान सिफारिशें इत्यादि। ये प्रौद्योगिकियां हमारी खरीदारी को अधिक सुविधाजनक और कुशल बना सकती हैं।

दूसरे, ई-कॉमर्स हमें सूचना और डेटा को बेहतर ढंग से प्रबंधित करने में भी मदद कर सकता है, जो हमारी याददाश्त और कार्य कुशलता के लिए फायदेमंद है। हम अपने दिमाग को मुक्त करते हुए महत्वपूर्ण जानकारी को रिकॉर्ड करने और साझा करने के लिए ईमेल, क्लाउड डिस्क और ऑनलाइन नोट्स जैसे टूल का उपयोग कर सकते हैं। ये उपकरण हमें जानकारी को बेहतर ढंग से व्यवस्थित और प्रबंधित करने में मदद करते हैं, यह सुनिश्चित करते हुए कि हमारे दिमाग को केवल सबसे महत्वपूर्ण चीजों पर ध्यान केंद्रित करने की आवश्यकता है। इस मामले में, हमारी स्मृति अभी भी प्रशिक्षित है क्योंकि हम इन तकनीकों और उपकरणों का उपयोग जानकारी को याद रखने की कोशिश करने के बजाय उसे याद रखने में मदद करने के लिए करते हैं।

अंत में, ई-कॉमर्स हमें सीखने और विकसित होने में भी मदद कर सकता है, जो हमारी याददाश्त और बौद्धिक विकास के लिए बहुत फायदेमंद है। हम ऑनलाइन पाठ्यक्रमों, ई-पुस्तकों, ऑनलाइन शिक्षण प्लेटफार्मों और अन्य उपकरणों के माध्यम से नया ज्ञान और कौशल सीख सकते हैं। ये उपकरण हमें बेहतर प्रबंधन और ज्ञान में महारत हासिल करने की अनुमति देते हैं, साथ ही हमें अपने पेशेवर और व्यक्तिगत जीवन को बेहतर ढंग से विकसित करने में भी मदद करते हैं। सीखने का यह तरीका हमारी सोच को उत्तेजित कर सकता है और हमारी याददाश्त और रचनात्मकता में सुधार कर सकता है।

कुल मिलाकर, ई-कॉमर्स और मेमोरी के बीच वास्तव में एक संबंध है, लेकिन यह सकारात्मक और उन्नतिशील है। हम ई-कॉमर्स का उपयोग अपने जीवन की गुणवत्ता और कार्य कुशलता में सुधार के लिए कर सकते हैं, और हम इसका उपयोग अपनी बुद्धि और स्मृति को बेहतर बनाने के लिए भी कर सकते हैं। इसलिए, हमें अपने जीवन और करियर विकास में अधिक सकारात्मक ऊर्जा जोड़ने के लिए इन प्रौद्योगिकियों और उपकरणों का सक्रिय रूप से उपयोग करना चाहिए। 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, जिनमें एसिड, पॉलीसेकेराइड, फ्लेवोनोइड आदि शामिल हैं। ये तत्व विभिन्न तरीकों से मस्तिष्क स्वास्थ्य को बढ़ावा दे सकते हैं।

याददाश्त बढ़ाने के 10 तरीके जानने के लिए क्लिक करें

इसके अलावा, चुनने के लिए ब्रांडों की एक विस्तृत विविधता मौजूद है। चूंकि आजकल अधिक ग्राहक ऑनलाइन शॉपिंग प्लेटफॉर्म पर निर्भर हैं, इसलिए रेटिंग का मूल्य भी बढ़ रहा है। इन उत्पादों को खरीदने के लिए, लोग केवल उन समीक्षाओं पर भरोसा करते हैं जो उत्पादों के बारे में प्रदान की जा रही हैं।

इन समीक्षाओं का विश्लेषण करने के लिए, भावना विश्लेषण करने की आवश्यकता है, जो खरीदारों और निर्माता दोनों के लिए उपयोगी साबित हो सकता है। यह पेपर भावना विश्लेषण की प्रक्रिया और उसकी आवश्यकताओं का वर्णन करता है।

इस पेपर में, हमारे शोध को पूरा करने के लिए अमेज़ॅन रिव्यूडेटासेट 2018 का उपयोग किया गया है और लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) को Word2vec प्रतिनिधित्व के साथ जोड़ा गया है, जिसके परिणामस्वरूप समग्र प्रदर्शन में सुधार हुआ है।

प्रशिक्षण प्रक्रिया के दौरान LSTM द्वारा एक गेटिंग तंत्र का उपयोग किया गया था। प्रस्तावित एलएसटीएम मॉडल का मूल्यांकन चार प्रदर्शन उपायों पर किया गया था: सटीकता, सटीकता, रिकॉल और एफ1स्कोर, और अन्य बेसलाइन मॉडल की तुलना में समग्र रूप से उच्च परिणाम प्राप्त हुए।

1 परिचय

ऐतिहासिक काल से ही संचार ने सामाजिक रिश्तों को बढ़ावा देने में महत्वपूर्ण भूमिका निभाई है। आजकल, समाज का लगभग हर वर्ग सोशल मीडिया का उपयोग करता है क्योंकि यह एक अप्रभावी नेटवर्किंग टूल के रूप में विकसित हो गया है। सोशल मीडिया के मुख्य भाग में ई-कॉमर्स साइटें शामिल हैं।

ई-कॉमर्स प्रौद्योगिकियों की तीव्र प्रगति के कारण, अधिकांश लोग अब ऑनलाइन खरीदारी करना चुनते हैं। लोग विभिन्न स्थितियों, वस्तुओं और संसाधनों पर प्रतिक्रिया देने के लिए सोशल मीडिया का उपयोग कर सकते हैं, जो ग्राहक के अनुभव के आधार पर सकारात्मक या नकारात्मक हो सकता है।

प्रतिकूल टिप्पणियाँ कंपनी के विकास में एक आवश्यक भूमिका निभाती हैं क्योंकि वे सेवाओं को बेहतर बनाने में मदद करती हैं। यहां, भावना विश्लेषण काम में आता है।

भावना विश्लेषण पाठ जानकारी के माध्यम से विभिन्न वस्तुओं पर ग्राहक के दृष्टिकोण को बताने और साथ ही साझा की गई इन समीक्षाओं का आकलन करने में सहायता करता है।

विभिन्न प्रकार के शोध से पता चलता है कि भावना विश्लेषण आम तौर पर तीन स्तरों पर किया जाता है: वाक्य, दस्तावेज़ और वाक्यांश-स्तर [1-3]। भावना विश्लेषण की प्रक्रिया में शामिल उपचरण चित्र 1 में दर्शाए गए हैं।

क्या शोध बड़ी संख्या में अमेज़ॅन समीक्षाओं को वर्गीकृत करने के लिए एलएसटीएम नेटवर्क के उपयोग का प्रस्ताव करता है। डीप लर्निंग तकनीक तेज़ है और बड़ी संख्या में समीक्षाओं के लिए भी बेहतर परिणाम देती है। ई अध्ययन वेक्टर स्पेस में शब्द प्रतिनिधित्व के कुशल अनुमान के लिए Word2vec एम्बेडिंग का उपयोग करता है।

Word2vec शब्दों के बैग या एक-भाग एन्कोडिंग जैसी मानक प्रतिनिधित्व विधियों की तुलना में बेहतर परिणाम प्रदान करता है। अध्ययन मुख्य रूप से दो भागों पर केंद्रित है: Word2vec मॉडल के माध्यम से वेक्टर स्पेस में भावना शब्दों की कुशल मैपिंग और समीक्षाओं को वर्गीकृत करने के लिए LSTM नेटवर्क।

2. साहित्य सर्वेक्षण

+इस अनुभाग में भावना विश्लेषण के विषय पर सभी महत्वपूर्ण पृष्ठभूमि कार्य शामिल हैं जो हमारे शोध के लिए प्रासंगिक हैं।

हमने पाया कि पहले के अधिकांश कार्यों में मशीन लर्निंग एल्गोरिदम, डीप लर्निंग एल्गोरिदम और सेंटिमेंट लेक्सिकन का उपयोग किया गया था। तालिका 1 में, हमने अनुसंधान में प्रयुक्त दृष्टिकोणों और दृष्टिकोणों के गुण और दोषों का सारांश दिया है।

वर्ष 2013 में, सिंधु और चंद्रकला [4] ने हाल की और कुशल तकनीकों का अवलोकन किया, जो भावना विश्लेषण का अध्ययन करने के लिए नियोजित की जाती हैं, जिसमें भावना ध्रुवता वर्गीकरण और विभिन्न मशीन सीखने की तकनीकें जैसे कि NaiveBayes, मैक्सिमम एन्ट्रॉपी और सपोर्ट वेक्टर मशीन शामिल हैं। +सर्वेक्षण से पता चलता है कि भावना वर्गीकरण को दो विशेषताओं द्वारा निर्धारित किया जा सकता है, ध्रुवता असाइनमेंट, यानी, यह निर्धारित करना कि क्या भावना सकारात्मक, नकारात्मक या तटस्थ है, और तीव्रता असाइनमेंट, जो दर्शाती है कि ध्रुवता के संदर्भ में विशेष भावना कितनी मजबूत या हल्की है।

ज्युरेक एट अल. [5] एक शब्दकोष-आधारित भावना विश्लेषण एल्गोरिदम के साथ एक मॉडल प्रस्तुत किया जिसमें दो प्रमुख घटक शामिल थे: साक्ष्य-आधारित एकीकरण फ़ंक्शन और भावना सामान्यीकरण जो सकारात्मक/नकारात्मक लेबल के बजाय भावनाओं को मापता है और विभिन्न भावनाओं के भेदभाव में सहायता करता है।

इस अध्ययन के लिए सार्वजनिक रूप से उपलब्ध ट्विटर कॉर्पस को डेटासेट के रूप में उपयोग किया गया था, अध्ययन का मुख्य फोकस वास्तविक समय ट्विटर सामग्री विश्लेषण था।

झांग एट अल. [6] ई-कॉमर्स समीक्षाओं पर भावना विश्लेषण करने के लिए एक बहुवर्गीकरण दृष्टिकोण प्रस्तुत किया गया।

इसके अलावा, झांग एट अल। [6] ई-कॉमर्स समीक्षाओं के भावना विश्लेषण के लिए एक बहुवर्गीकरण मॉडल प्रस्तुत किया। प्रस्तावित अध्ययन के लिए +eAmazon समीक्षा डेटासेट (2018) का उपयोग किया गया था, जो एक निर्देशित भारित समस्या पर आधारित था। +प्रस्तावित अध्ययन में कहा गया है कि, सुविधाओं के साथ इकाई शब्दों के निष्कर्षण, भावना पैटर्न का आकलन और नोड्स के बीच सबसे छोटे पथ के मूल्यांकन से, भावना समानता की समस्या को सबसे छोटे पथ की गणना की समस्या में बदला जा सकता है। जब BERTमॉडल [7] से तुलना की गई, तो इस मॉडल ने एल्गोरिदम के सीपीयू समय के मामले में बेहतर प्रदर्शन किया।

डे एट अल. [8] तीन मूल्यांकन मेट्रिक्स का उपयोग करके मशीन लर्निंग एल्गोरिदम, के-एनएन और नाइव बेयस की जांच की गई। +eNaive Bayes क्लासिफायर ने अपने काम में K-NN क्लासिफायर से बेहतर प्रदर्शन किया।

[9] में शोधकर्ताओं ने दो तकनीकों के साथ एक भावना वर्गीकरण मॉडल प्रस्तुत किया। +ई पहले प्रस्तावित दृष्टिकोण में, भावना वर्गीकरण एल्गोरिदम ने के-एनएन क्लासिफायरियर को नियोजित किया और दूसरे में, समर्थन वेक्टरमशीन एल्गोरिदम का उपयोग किया गया। +ई वर्गीकरण एल्गोरिथ्म की दक्षता वास्तविक ट्वीट्स के आधार पर मान्य की गई थी। +प्राप्त परिणामों से पता चला कि प्रयोगात्मक सत्यापन पर भावना वर्गीकरण एल्गोरिदम ने एसवीएम से बेहतर प्रदर्शन किया।

[10] में, पर्यवेक्षित और अपर्यवेक्षित शिक्षण विधियों की तुलना प्रस्तुत की गई थी। +उनके काम ने पर्यवेक्षित (सीएनएन और केएनएन) और गैर-पर्यवेक्षित (के के साथ सीएनएन का मतलब क्लस्टरिंग) सीखने के एल्गोरिदम का तुलनात्मक विश्लेषण प्रदान किया।

फैंग एट अल. [11] एक बहु-भावना विश्लेषण तकनीक पेश की गई जिसमें फ़ज़ी सेट सिद्धांत, मशीन लर्निंग सिद्धांत और एक ध्रुवीयता लेक्सिकॉन-आधारित विधि शामिल है। इस हाइब्रिड मॉडल का उपयोग करके उपभोक्ता समीक्षाओं का विश्लेषण किया गया।

इस अध्ययन के लिए Naive Bayes और SVM एल्गोरिदम का उपयोग किया गया। +ई उन्नत एसवीएम मॉडल, यानी, एक हाइब्रिड विधि जो एसवीएम के साथ बहुरणनीति भावना विश्लेषण को जोड़ती है, अधिक सफल रही और 86.35% की सटीकता दी।

इसके अतिरिक्त, उन्नत Naive Bayes को लागू करते समय सटीकता में 3.8% की वृद्धि देखी गई। इसके अलावा, [12] में शोधकर्ताओं ने सीएनएन में लेक्सिकलएम्बेडिंग और एक ध्यान तंत्र को शामिल करने का एक तरीका प्रस्तुत किया। +edataset ट्वीट्स का उपयोग करके बनाया गया था। +e विधि का मूल्यांकन F1 स्कोर का उपयोग करके किया गया था। +ई जो कार्य सुझाया गया था वह वर्तमान कार्यों से बेहतर प्रदर्शन किया।

प्रीति एट अल द्वारा एक रिकर्सिव न्यूरल नेटवर्क (आरएनएन) आधारित अनुशंसा प्रणाली (आरडीएसए) शुरू की गई थी। [13]।

गहन शिक्षण का उपयोग भावना विश्लेषण पर केंद्रित सुझावों को अनुकूलित करने के लिए किया गया था और इस अध्ययन में तीन अलग-अलग समीक्षाओं पर किया गया था।

सबसे पहले, नैवे बेयस क्लासिफायरियर और आरएनएन को लागू करने से पहले डेटासेट की जांच की गई और उनके सांख्यिकीय पहलुओं को देखा गया। परीक्षणों के +परिणामों से पता चला कि आरएनएन, एक गहरे तंत्रिका नेटवर्क का उपयोग करने से, भावना विश्लेषण की सटीकता में वृद्धि हुई, जिससे उपयोगकर्ताओं के लिए बेहतर सुझाव प्राप्त हुए और उपयोगकर्ताओं की आवश्यकताओं के आधार पर विशेष स्थिति के चयन में सहायता मिली।

इसके अलावा, [14] में शोधकर्ताओं ने डेटा को वर्गीकृत करने के लिए Giniindex-आधारित सुविधा चयन और एक SVM क्लासिफायर का उपयोग करने का प्रस्ताव दिया। इस अध्ययन के लिए +ई डेटासेट फिल्म समीक्षाओं का एक बड़ा संग्रह था।

प्रयोगों के निष्कर्षों के आधार पर, प्रस्तावित विधि अन्य विधियों की तुलना में कम सटीक निकली। चेन एट अल द्वारा अंतर-राय कनेक्शन के साथ एक गेटेड आरएनएन पेश किया गया था। [15]. +isapproach की सटीकता लगभग 92.6% थी।

वर्गीकरण के लिए, एक द्विदिश गेटेड आवर्तक इकाई (बीआईजीआरयू) को एनाटेशन तंत्र के साथ जोड़ा गया था [16] में प्रस्तावित किया गया था। +इस दृष्टिकोण को वर्गीकरण कार्यों के लिए प्रभावी पाया गया और 93.1% सटीकता के साथ पहले से उपयोग किए गए तरीकों की तुलना में बेहतर परिणाम उत्पन्न हुए। एक प्रतिस्थापन भावना विश्लेषण मॉडल जो सीएनएन और ध्यान-आधारित BiGRU को शामिल करता है, शोधकर्ताओं द्वारा [17] में प्रस्तावित किया गया था।

गहन शिक्षण प्रौद्योगिकी के साथ भावना शब्दकोष के लाभों को एकीकृत करके, उत्पाद समीक्षाओं के लिए पारंपरिक भावना विश्लेषण मॉडल में खामियों की भरपाई की जाती है। +ई सेंटिमेंटलेक्सिकॉन समीक्षाओं में पाई गई भावना विशेषताओं का समर्थन करता है और गेटेड आवर्ती इकाई नेटवर्क के संयोजन में उपयोग किया जाने वाला सीएनएन महत्वपूर्ण भावना विशेषताओं और संदर्भ तत्वों को निकालता है। +ई सुझाए गए मॉडल ने प्रयोगात्मक विश्लेषण में 93.5% सटीकता दी, जो एनबी, एसवीएम और सीएनएन मॉडल से अधिक पाई गई। ह्यून एट अल. [18]लक्ष्य निर्भरता पर आधारित एक दृढ़ तंत्रिका नेटवर्क मॉडल का सुझाव दिया गया। +ई अनुशंसित विधि लक्ष्य शब्द और आसपास के शब्दों के बीच की दूरी की गणना करके लक्ष्य शब्द पर आसपास के शब्दों के प्रभाव का आकलन करने में मदद करती है। +उनके अध्ययन में पाया गया कि एक वाक्य में प्रत्येक शब्द का कथन की भावनात्मक ध्रुवता पर अलग-अलग प्रभाव पड़ता है।
एक हाइब्रिड डीप लर्निंग मॉडल जो व्यवस्थित रूप से कई शब्द एम्बेडिंग दृष्टिकोण (Word2vec, फास्टटेक्स्ट, और कैरेक्टर-लेवल एम्बेडिंग) और कई डीप लर्निंग तरीकों (LSTM, GRU, BiLSTM, और CNN) को एकीकृत करता है, शोधकर्ताओं द्वारा [19] में प्रस्तावित किया गया था। +ई सुझाया गया मॉडल विभिन्न वर्डएम्बेडिंग विधियों का उपयोग करके उन्हें निकालकर सुविधाओं को प्राप्त करता है, उन्हें मर्ज करता है, और टेक्स्ट को परसेंटमेंट के रूप में वर्गीकृत करता है।

सुझाए गए मॉडल के प्रदर्शन को मान्य करने के लिए, कई गहन शिक्षण मॉडल जिन्हें मानक मॉडल के रूप में जाना जाता है, बनाए गए और प्रयोगों की एक श्रृंखला चलाने के लिए उपयोग किए गए। इस अध्ययन के निष्कर्षों के अनुसार, प्रस्तावित मॉडल के प्रदर्शन की तुलना पहले के शोध से करने पर, नया मॉडल बेसलाइन मॉडल से बेहतर प्रदर्शन करता है।

For more information:1950477648nn@gmail.com