ই-কমার্স পর্যালোচনা পার্ট 2 এর দক্ষ দীর্ঘ স্বল্প-মেয়াদী স্মৃতি-ভিত্তিক অনুভূতি বিশ্লেষণ

মুহাম্মদ প্রমুখ। [20] হোটেল পর্যালোচনার জন্য word2vec এবং LSTM ব্যবহার করে অনুভূতি বিশ্লেষণের জন্য একটি মডেল উপস্থাপন করেছেন।

মুহাম্মদ ইসলামের নবী এবং প্রতিষ্ঠাতা। তিনি একজন জ্ঞানী, জ্ঞানী ও জ্ঞানী ব্যক্তি হিসেবে পরিচিত। তার স্মৃতিশক্তি খুব শক্তিশালী, যা তাকে তথ্য প্রক্রিয়াকরণ এবং তার চিন্তাভাবনা প্রকাশে খুব কার্যকর করে তোলে।

মুহাম্মদের স্মৃতির সাথে তার শিক্ষা এবং অভিজ্ঞতার অনেক সম্পর্ক রয়েছে। রেকর্ড অনুসারে, তিনি প্রায়শই তার যৌবনে চিন্তাভাবনা এবং প্রতিফলনে নিমগ্ন ছিলেন। এই কৌতূহল এবং জ্ঞানের তৃষ্ণা তাকে একটি শক্তিশালী জ্ঞান ভিত্তি এবং স্মৃতিশক্তি গড়ে তুলতে সাহায্য করেছিল।

এছাড়াও, মুহাম্মদের বুদ্ধিমত্তাও তার স্মৃতিশক্তিতে একটি বড় ভূমিকা পালন করেছিল। তিনি স্মার্ট, বিদগ্ধ, অন্তর্দৃষ্টিসম্পন্ন এবং যৌক্তিক চিন্তা করার ক্ষমতা রয়েছে, যা জটিল তথ্যের সাথে কাজ করার সময় খুব সুবিধাজনক। এই সুবিধাটি তাকে মেমরি প্রক্রিয়াকে আরও ভালভাবে পরিচালনা এবং নিয়ন্ত্রণ করতে সাহায্য করেছিল, যার ফলে তার স্মৃতিশক্তি উন্নত হয়।

যাইহোক, মুহাম্মদের স্মৃতি জন্মগত ছিল না কিন্তু কঠোর পরিশ্রম এবং অনুশীলনের মাধ্যমে উন্নত হয়েছিল। তিনি প্রায়শই স্মৃতি প্রশিক্ষণ পরিচালনা করেন, যেমন বারবার পড়া, শ্রুতিলিপি এবং বক্তৃতা, যাতে তাকে আরও গভীরভাবে জ্ঞান বুঝতে এবং আয়ত্ত করতে সহায়তা করে।

মুহাম্মদের স্মৃতিশক্তি শুধুমাত্র একটি প্রাকৃতিক প্রতিভা ছিল না, এটি কঠোর পরিশ্রম এবং অনুশীলনের মাধ্যমে উন্নত হয়েছিল। এটি দেখায় যে আমরা প্রত্যেকেই আমাদের স্মৃতিশক্তি উন্নত করতে পারি এবং শেখার এবং অনুশীলনের মাধ্যমে আমাদের শেখার এবং কাজের দক্ষতা উন্নত করতে পারি। আসুন, মুহাম্মদের মতো, আমাদের স্মৃতিশক্তিকে ক্রমাগত উন্নত করার জন্য, জীবনে এবং কাজে আরও বেশি সাফল্য পেতে সক্রিয়ভাবে কঠোর পরিশ্রম করি! এটা দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে, কারণ Cistanche deserticola নিউরোট্রান্সমিটারের ভারসাম্য নিয়ন্ত্রণ করতে পারে, যেমন অ্যাসিটাইলকোলিনের মাত্রা বৃদ্ধি এবং বৃদ্ধির কারণ। এই পদার্থগুলি স্মৃতি এবং শেখার জন্য খুবই গুরুত্বপূর্ণ। এছাড়াও, মাংস রক্ত ​​​​প্রবাহকে উন্নত করতে পারে এবং অক্সিজেন সরবরাহকে উন্নীত করতে পারে, যা নিশ্চিত করতে পারে যে মস্তিষ্ক পর্যাপ্ত পুষ্টি এবং শক্তি পায়, যার ফলে মস্তিষ্কের জীবনীশক্তি এবং সহনশীলতা উন্নত হয়।

স্বল্পমেয়াদী মেমরি উন্নত করতে Know এ ক্লিক করুন

এই গবেষণার জন্য, সেলেনিয়াম এবং স্ক্র্যাপ ব্যবহার করে ভ্রমণের ওয়েবসাইট ক্রল করে ডেটা সংগ্রহ করা হয়েছিল। +e এই পরীক্ষার প্রধান উদ্দেশ্য ছিল word2vec এবং LSTM-এর পরামিতি পরিবর্তন করে নির্ভুলতা বিশ্লেষণ করা। +e ফলাফলগুলি দেখিয়েছে যে 85.96 এর গড় নির্ভুলতা প্যারামিটার ব্যবহার করে অর্জন করা যেতে পারে, যা আশাব্যঞ্জক ফলাফল দেখিয়েছে।

ঝাও এট আল। [২১] ই-কমার্স ওয়েবসাইটগুলির পর্যালোচনা থেকে গ্রাহকদের অনুভূতি বিশ্লেষণ করার জন্য একটি নতুন কৌশল চালু করেছে৷ +e প্রস্তাবিত অপ্টিমাইজড টেকনিক "The LocalSearch Improvised Bat Algorithm-based Elman NeuralNetwork (LSIBA-ENN)" চারটি ধাপ জড়িত এবং পোলারিটি সনাক্ত করে এবং পর্যালোচনার অনুভূতিকে শ্রেণীবদ্ধ করে। গ্রাহকের রিভিউ বের করতে ই-কমার্স ওয়েবসাইটে ওয়েব স্ক্র্যাপিং টুল ব্যবহার করে এই গবেষণার জন্য +e ডেটা সংগ্রহ করা হয়েছে।

ডেটা প্রি-প্রসেসিং ছাড়াও, এই গবেষণাটি "লগটার্ম ফ্রিকোয়েন্সি-ভিত্তিক পরিবর্তিত ইনভার্স ক্লাস ফ্রিকোয়েন্সি (LTF-MICF) এবং হাইব্রিড মিউটেশন ভিত্তিক আর্থ ওয়ার্ম অ্যালগরিদম (HMEWA)" ব্যবহার করে টার্ম ওয়েটিং এবং বৈশিষ্ট্য নির্বাচনের জন্য। +e প্রস্তাবিত পদ্ধতি ভবিষ্যদ্বাণীর নির্ভুলতার ক্ষেত্রে অন্যান্য বেসলাইন কৌশলগুলিকে ছাড়িয়ে গেছে।

জিয়াং [২২] ই-কমার্স প্ল্যাটফর্ম Taobao থেকে প্রাপ্ত পর্যালোচনার অনুভূতিকে শ্রেণীবদ্ধ করার জন্য একটি মডেলের প্রস্তাব করেছেন।+e অধ্যয়ন মেশিন লার্নিং অ্যালগরিদম ব্যবহার করে সেইসাথে শ্রেণীবিভাগের জন্য ভেক্টর মেশিনকে সমর্থন করে এবং প্যারামিটারগুলি অপ্টিমাইজ করার জন্য উন্নত পার্টিকেল সোয়ার্ম অপ্টিমাইজেশান (IPSO)। ওয়েবসাইট থেকে মন্তব্য ক্রল করে গবেষণার জন্য +e ডেটা সংগ্রহ করা হয়েছিল। +e পরীক্ষামূলক ফলাফল প্রমাণ করেছে যে SVM এবং IPSO এর সম্মিলিত পদ্ধতির উচ্চতর নির্ভুলতা ছিল। যাইহোক, বিদ্যমান মডেলগুলির অধিকাংশই ওভারফিটিং [23-25], দুর্বল অভিসারী গতি [26-28] এবং অদৃশ্য হয়ে যাওয়া গ্রেডিয়েন্ট সমস্যা[29-31] তে ভুগছে।

3. পরীক্ষামূলক অধ্যয়ন

+is বিভাগটি অনুভূতির শ্রেণীবিভাগের জন্য প্রকল্পে ব্যবহৃত পদ্ধতির একটি পরিষ্কার ওভারভিউ দেয়। +e কৌশলটি ব্যবহার করা হয়েছে একটি দীর্ঘ স্বল্প-মেয়াদী মেমরি নেটওয়ার্ক, যা প্রচুর পরিমাণে অ্যামাজন ডেটাবেস পর্যালোচনাগুলিকে শ্রেণীবদ্ধ করতে ব্যবহৃত হয়। +e এম্বেডিং ব্যবহৃত হয় word2vec, যা ডাটাবেস অনুযায়ী কাস্টম-প্রশিক্ষিত হয়েছে।

ডেটাসেট অনুযায়ী word2vec টিউন করা মডেলের সামগ্রিক কর্মক্ষমতা উন্নত করে। LSTM ব্যবহার করার সুবিধা হল যে এটি অসংগঠিত পর্যালোচনা ডেটার জন্যও আরও ভাল ফলাফল দেয়৷ এটি দীর্ঘমেয়াদী নির্ভরতা সম্বলিত সংস্থানগুলির জন্য দরকারী কার্যকারিতা পেতে সক্ষম৷

+e ডেটা অ্যামাজন পর্যালোচনা ডেটাসেট থেকে সংগ্রহ করা হয়, যা পরে প্রিপ্রসেস করা হয়। Word2vec এম্বেডিংগুলি ডেটার প্রিপ্রসেসিংয়ের একটি গুরুত্বপূর্ণ ধাপ গঠন করে। ট্রেন এবং টেস্ট ডেটা তৈরি করা হয়েছিল। +e প্রশিক্ষণ ডেটা ট্রেন এবং বৈধতা ডেটাসেটে বিভক্ত করা হয়েছে। +e কাস্টম word2vec মডেল ডাটাবেস প্রতি প্রশিক্ষিত। +e বৈশিষ্ট্য ভেক্টর প্রাপ্ত হয়, যা পরে LSTM মডেলের এমবেডিং স্তর হিসাবে ব্যবহৃত হয়।

কেরাস 50,000 এর সমান সর্বাধিক বৈশিষ্ট্য সহ LSTM অনুক্রমিক মডেল তৈরি করতে ব্যবহৃত হয় এবং 16 এর সমান এম্বেডিং আকার। +ইমডেলকে তারপর 10টি যুগের জন্য প্রশিক্ষণ দেওয়া হয় +e মডেলটি স্ক্লিয়ার পারফরম্যান্স মেট্রিক্সের উপর ভিত্তি করে পরীক্ষা করা হয়। +e বৈশিষ্ট্যগুলি প্রাপ্ত করার প্রক্রিয়া চিত্র 2 এ চিত্রিত করা হয়েছে।

3.1। ডেটাসেট। সঠিক ফলাফল তৈরি করতে, ব্যবহৃত ডেটাসেটটি বড় এবং সমৃদ্ধ হওয়া উচিত। +e ডেটাসেট অ্যামাজন রিভিউ ডেটাসেট (2018) এর অনলাইন সেল ফোন এবং আনুষাঙ্গিক বিভাগ থেকে সংগ্রহ করা হয়েছে। +e ডেটাসেটে মোট 938,261টি পর্যালোচনা রয়েছে, যার মধ্যে 47901টি অনন্য পণ্য এবং 153124টি অনন্য ব্যবহারকারীর পর্যালোচনা৷ +e ডেটাসেটে প্রাথমিকভাবে 7টি কলাম থাকে, যথা, একটি রেটিং যা 1 থেকে 5 পর্যন্ত পরিবর্তিত হয়, পর্যালোচনার সময়, পর্যালোচক আইডি, পণ্য আইডি এবং পর্যালোচনা পাঠ্য সারাংশ।

সদৃশগুলি বাদ দেওয়ার পরে, ডেটাসেটটিতে 938254টি রেকর্ড থাকে এবং সারণী 2 মূল ডেটাসেট রেকর্ডগুলির একটি স্নিপেট দেখায়৷

3.2। পদ্ধতি। আমরা শ্রেণীবিভাগের জন্য LSTM মডেলের সাথে ব্যবহার করার জন্য আমাদের word2vecmodel কাস্টম-প্রশিক্ষিত করেছি। Word2vec হল একটি শব্দ এমবেডিং যা একটি ভেক্টরের বিভিন্ন পদের একটি সংগ্রহ দ্বারা aword উপস্থাপন করতে ব্যবহৃত হয়। এটি একটি ভেক্টর স্থান একটি শব্দ ম্যাপিং দূরে. +e ডেটাসেট একটি পান্ডাস ডেটা ফ্রেমে লোড হয়। একটি customword2vec মডেল তৈরি করার জন্য, প্রথম ধাপ হল ডেটার প্রিপ্রসেসিং।

শুধুমাত্র রেটিং এবং পর্যালোচনা পাঠ্য দেখুন এবং সবকিছু ছেড়ে দিন। +e টেক্সট বিরাম চিহ্ন মুছে পরিষ্কার করা হয়। পাঠ্যের আনুষঙ্গিক নমুনা 200 এর কাছাকাছি থেকে তৈরি করা হয়,000 পর্যালোচনা এবং প্রতিটি পর্যালোচনাকে শব্দের তালিকায় রূপান্তর করতে পরিচ্ছন্ন পাঠ্য পদ্ধতি প্রয়োগ করা হয়। +is শব্দের তালিকা এখন জিনিজম word2vec মডেলের ইনপুট হিসাবে কাজ করে।

আমরা একটি কাস্টম-প্রশিক্ষিত স্কিপ-গ্রাম word2vecmodel তৈরি করেছি এবং মাত্রা সহ মডেলটিকে ইনস্ট্যান্টিয়েট করেছি: শব্দ ভেক্টরের আকার 100 হিসাবে, উইন্ডোর আকার 15 এর সমান, আমাদের কর্পাসে 2 বারের কম প্রদর্শিত শব্দগুলির জন্য মিনিট_গণনা 2, নেতিবাচক সমান 5, এবং নমুনার হার 1e−5 এর সমান। আমরা আমাদের পর্যালোচনা বাক্য থেকে একটি শব্দভাণ্ডার তৈরি করতে এই সমস্ত মাত্রা ব্যবহার করেছি।

আমরা আমাদের word2vec মডেলকে 1000 যুগের জন্য প্রশিক্ষণ দিই। +en আমরা প্রতিটি যুগে ক্ষতি গণনা করি। +e ক্ষতি প্রারম্ভে বেশি এবং শেষ যুগে তা হ্রাস পায়। +e লস atepoch 0 হল 2239394.0 এবং epoch 1000-এ ক্ষতি হল 11504.0.+e সংরক্ষিত মডেলটি পুনরায় লোড করা হয় এবং এটিতে অপারেশন করা হয়।

উদাহরণস্বরূপ, যদি আমরা আমাদের ডেটাসেটে শব্দের অনুরূপ শব্দ খুঁজে পেতে চাই, আমরা বাতিল এবং হেডফোন পাই।

একইভাবে, আমরা ইয়ারফোন এবং হেডফোনের মতো কিছু শব্দের মধ্যেও মিল খুঁজে পেতে পারি যা হল {{0}}.48756, এবং শব্দচার্জ এবং চার্জারের মধ্যে মিল হল 0.89264৷

আমাদের ডেটার মাত্রা কমাতে, আমরা ডেটাকে দুটি মাত্রায় প্লট করার জন্য TSNE ভিজ্যুয়ালাইজেশন ব্যবহার করেছি৷ এখন, এই শব্দ ভেক্টরগুলি আরও শ্রেণীবিভাগের জন্য ব্যবহার করা যেতে পারে৷ +ese এমবেডিংগুলি পরবর্তী স্ট্রিমিংয়ের জন্য বৈশিষ্ট্য হিসাবে ব্যবহৃত হয়।

3.2.1। LSTM এর জন্য ডেটা প্রস্তুতি। আমাদের ডেটাসেটে 938254 রেকর্ড রয়েছে যার অধিকাংশ রিভিউর স্কোর ডিস্ট্রিবিউশন 3-এর বেশি। আমরা প্রথমে প্রতিটি পর্যালোচনার জন্য শব্দের সংখ্যা গণনা করেছি। +e গড় গড় পর্যালোচনার গড় দৈর্ঘ্য খুঁজে বের করতে পরিসংখ্যান হিসাবে ব্যবহৃত হয়। +e পর্যালোচনার মাঝামাঝি দৈর্ঘ্য হল 44.59 এবং সর্বাধিক দৈর্ঘ্য হল 4303৷

আমরা 100 শব্দ বা তার কম রিভিউ নিয়ে একটি ডেটাসেট তৈরি করেছি। যেসব রিভিউয়ের দৈর্ঘ্য 20-এর বেশি কিন্তু 100-এর কম সেগুলিকে ছোট রিভিউয়ের অধীনে শ্রেণীবদ্ধ করা হয় এবং রিস্ট্যারগুলিকে দীর্ঘ পর্যালোচনার অধীনে শ্রেণীবদ্ধ করা হয়। +e সংক্ষিপ্ত পর্যালোচনার সংখ্যা হল 411313 এবং দীর্ঘ পর্যালোচনা হল 100239৷ মডেলটিতে ব্যবহৃত হাইপারপ্যারামিটারগুলি সারণি 3 এ বর্ণিত হয়েছে৷

এর পরে, আমরা সেন্টিমেন্ট রেটিংকে ইতিবাচক হিসাবে সংজ্ঞায়িত করেছি যদি রেটিংটি 3 এর থেকে বেশি বা সমান হয়; অন্যথায়, রেটিং নেতিবাচক। আমরা ট্রেন ডেটা সেট তৈরি করার জন্য পর্যালোচনা পাঠ্য এবং অনুভূতি বিবেচনা করেছি। +ই পরীক্ষার ডেটাতে কমপক্ষে 10টির বেশি পর্যালোচনা থাকা পণ্যগুলি থাকে।

বিতরণের পর, প্রশিক্ষণ ডেটাসেটে মোট 203891টি রেকর্ড ছিল, যার মধ্যে 175910টি ইতিবাচক শ্রেণির এবং 27981টি নেতিবাচক শ্রেণির অন্তর্ভুক্ত। +ই পরীক্ষার ডেটাসেটে মোট 686345টি রেকর্ড রয়েছে, যার মধ্যে 592118টি ইতিবাচক এবং 94227টি নেতিবাচক শ্রেণীর অন্তর্ভুক্ত।

এই সমীক্ষায়, আমরা কেরাস ব্যবহার করেছি আমাদের LSTM মডেল তৈরি করতে, যা এম্বেডিং স্তরে ইনপুট হিসাবে সর্বাধিক 50,{1}} বৈশিষ্ট্য নেয়। লং স্বল্প-মেয়াদী মেমরি (LSTM) হল এক ধরনের পুনরাবৃত্ত নিউরাল নেটওয়ার্ক যা তথ্যের প্রবাহকে নিয়ন্ত্রণ করে এমন একটি অভ্যন্তরীণ প্রক্রিয়া ব্যবহার করে।

চিত্র 3 আমাদের প্রস্তাবিত পদ্ধতিতে LSTM মডেলের মৌলিক আর্কিটেকচার দেখায়।

Ht−1 এবং Xt হল LSTM ইউনিটের ইনপুট; Ht−1, সাধারণত স্বল্প-মেয়াদী মেমরি হিসাবে পরিচিত, ইনপুট হিসাবে পূর্ববর্তী অবস্থা থেকে আউটপুট নেয়। +e মেমরিসেল বা দীর্ঘমেয়াদী মেমরি, Ct −1, একটি ক্রম প্রক্রিয়া জুড়ে প্রাসঙ্গিক তথ্য বহন করতে সাহায্য করে। +eLSTM আর্কিটেকচার তিনটি গেটকে একত্রিত করে: গেট ভুলে যান, ইনপুটগেট এবং আউটপুট গেট। LSTM ইউনিটে, tanh এবং sigmoid functions এই গেটগুলি পেতে ব্যবহৃত হয়।

+e ট্রেন ডেটা তারপর ট্রেন এবং সমান দৈর্ঘ্যের বৈধতা ডেটাতে বিভক্ত করা হয়েছিল। +e ডেটার দৈর্ঘ্য গণনা করা হয়েছিল 101945 এবং শ্রেণী বিতরণ ছিল {1: 87955, 0:13990}। টেনসরফ্লো ট্রেন পরীক্ষা এবং বৈধতা ডেটাসেট তৈরি করতে, আমাদের ট্রেনের ডেটাকে সিকোয়েন্সে রূপান্তর করতে হবে৷ আমরা সেগুলিকে সর্বাধিক 100 দৈর্ঘ্যে প্যাড করেছি যাতে সমস্ত ক্রম একই দৈর্ঘ্যের হয়৷ +ই ট্রেন এবং পরীক্ষা লেবেল

For more information:1950477648nn@gmail.com