ই-কমার্স পর্যালোচনা অংশ 1 এর দক্ষ দীর্ঘ স্বল্প-মেয়াদী স্মৃতি-ভিত্তিক অনুভূতি বিশ্লেষণ

আজকের আধুনিক যুগে, ই-কমার্স সকলের হাতের মুঠোয় পণ্য আনার প্রক্রিয়ার মধ্য দিয়ে অগ্রসর হচ্ছে৷ ভোক্তাদের এমনকি জিনিসপত্র কেনার জন্য তাদের বাড়ির আরামের বাইরে যেতে হবে না, যা তাদের জন্য এটিকে খুব সুবিধাজনক করে তোলে৷

আধুনিক প্রযুক্তির ক্রমাগত বিকাশ এবং ই-কমার্সের দ্রুত বিকাশের সাথে, আমাদের জীবন আরও সুবিধাজনক এবং দক্ষ হয়ে উঠেছে, যা আমাদের স্মৃতিশক্তিকেও কিছুটা প্রভাবিত করেছে। যাইহোক, ই-কমার্স এবং মেমরির মধ্যে প্রকৃতপক্ষে একটি সম্পর্ক রয়েছে এবং সম্পর্কটি ইতিবাচক এবং ঊর্ধ্বমুখী।

প্রথমত, ই-কমার্স আমাদেরকে আরও সুবিধাজনক কেনাকাটার পদ্ধতি প্রদান করে। ব্যক্তিগতভাবে কেনাকাটা করার জন্য আমাদের আর মলে যেতে হবে না। মাউসের মাত্র কয়েকটি ক্লিকে, আমাদের প্রয়োজনীয় পণ্যগুলি এক্সপ্রেস ডেলিভারির মাধ্যমে আমাদের কাছে পৌঁছে দেওয়া যেতে পারে। কেনাকাটার এই ফর্মটি দীর্ঘ অপেক্ষা এবং ভিড়ের উদ্বেগ দূর করে, আমাদের সময় এবং শক্তি বাঁচায়। ই-কমার্সের বিকাশের সাথে, আমরা কেনাকাটা করার জন্য আরও বুদ্ধিমান প্রযুক্তি ব্যবহার করতে পারি, যেমন ভয়েস শপিং, বুদ্ধিমান সুপারিশ ইত্যাদি। এই প্রযুক্তিগুলি আমাদের কেনাকাটাকে আরও সুবিধাজনক এবং দক্ষ করে তুলতে পারে।

দ্বিতীয়ত, ই-কমার্স আমাদের তথ্য এবং ডেটা আরও ভালভাবে পরিচালনা করতে সাহায্য করতে পারে, যা আমাদের মেমরি এবং কাজের দক্ষতার জন্য উপকারী। আমরা ইমেল, ক্লাউড ডিস্ক এবং অনলাইন নোটের মতো সরঞ্জামগুলি ব্যবহার করতে পারি গুরুত্বপূর্ণ তথ্য রেকর্ড করতে এবং শেয়ার করতে, আমাদের মস্তিষ্ককে মুক্ত করে। এই সরঞ্জামগুলি আমাদেরকে তথ্যকে আরও ভালভাবে সংগঠিত এবং পরিচালনা করতে সাহায্য করে, আমাদের মস্তিষ্ককে শুধুমাত্র সবচেয়ে গুরুত্বপূর্ণ বিষয়গুলিতে ফোকাস করতে হবে তা নিশ্চিত করে। এই ক্ষেত্রে, আমাদের মেমরি এখনও প্রশিক্ষিত কারণ আমরা এই কৌশলগুলি এবং সরঞ্জামগুলি ব্যবহার করে আমাদের তথ্য মনে রাখার চেষ্টা করার পরিবর্তে মনে রাখতে সাহায্য করি।

অবশেষে, ই-কমার্স আমাদের শিখতে এবং বিকাশে সহায়তা করতে পারে, যা আমাদের স্মৃতিশক্তি এবং বুদ্ধিবৃত্তিক বিকাশের জন্য খুবই উপকারী। আমরা অনলাইন কোর্স, ই-বুক, অনলাইন লার্নিং প্ল্যাটফর্ম এবং অন্যান্য সরঞ্জামগুলির মাধ্যমে নতুন জ্ঞান এবং দক্ষতা শিখতে পারি। এই সরঞ্জামগুলি আমাদের আরও ভালভাবে পরিচালনা করতে এবং জ্ঞান অর্জন করতে দেয়, পাশাপাশি আমাদের পেশাদার এবং ব্যক্তিগত জীবনকে আরও উন্নত করতে সহায়তা করে। শেখার এই পদ্ধতিটি আমাদের চিন্তাভাবনাকে উদ্দীপিত করতে পারে এবং আমাদের স্মৃতিশক্তি এবং সৃজনশীলতাকে উন্নত করতে পারে।

সামগ্রিকভাবে, ই-কমার্স এবং মেমরির মধ্যে প্রকৃতপক্ষে একটি সম্পর্ক রয়েছে, তবে এটি একটি ইতিবাচক এবং ঊর্ধ্বমুখী। আমরা আমাদের জীবনযাত্রার মান এবং কাজের দক্ষতা উন্নত করতে ই-কমার্স ব্যবহার করতে পারি, এবং আমরা আমাদের বুদ্ধিমত্তা এবং স্মৃতিশক্তি উন্নত করতেও এটি ব্যবহার করতে পারি। অতএব, আমাদের জীবন এবং কর্মজীবনের উন্নয়নে আরও ইতিবাচক শক্তি যোগ করতে আমাদের সক্রিয়ভাবে এই প্রযুক্তি এবং সরঞ্জামগুলি ব্যবহার করা উচিত। এটা দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে কারণ Cistanche deserticola একটি ঐতিহ্যবাহী চীনা ঔষধি উপাদান যার অনেকগুলি অনন্য প্রভাব রয়েছে, যার মধ্যে একটি হল স্মৃতিশক্তি উন্নত করা। কিমা করা মাংসের কার্যকারিতা অ্যাসিড, পলিস্যাকারাইড, ফ্ল্যাভোনয়েড ইত্যাদি সহ বিভিন্ন সক্রিয় উপাদান থেকে আসে৷ এই উপাদানগুলি বিভিন্ন উপায়ে মস্তিষ্কের স্বাস্থ্যকে উন্নীত করতে পারে৷

মেমরি বাড়ানোর ১০টি উপায় জেনে নিন ক্লিক করুন

তাছাড়া, বেছে নেওয়ার জন্য বিভিন্ন ব্র্যান্ড রয়েছে। যেহেতু অনেক বেশি গ্রাহক আজকাল অনলাইন শপিং প্ল্যাটফর্মের উপর নির্ভর করে, রেটিং এর মানও বাড়ছে। এই পণ্যগুলি কেনার জন্য, লোকেরা কেবলমাত্র পণ্যগুলি সম্পর্কে সরবরাহ করা পর্যালোচনাগুলির উপর নির্ভর করে।

এই পর্যালোচনাগুলি বিশ্লেষণ করার জন্য, অনুভূতি বিশ্লেষণ করতে হবে, যা ক্রেতা এবং প্রস্তুতকারকের উভয়ের জন্যই কার্যকর প্রমাণিত হতে পারে। পেপার অনুভূতি বিশ্লেষণের প্রক্রিয়া এবং এর প্রয়োজনীয়তা বর্ণনা করে।

এই গবেষণাপত্রে, Amazon Reviewdataset 2018 আমাদের গবেষণা চালানোর জন্য ব্যবহার করা হয়েছে এবং লং শর্ট-টার্ম মেমরি (LSTM) কে word2vec প্রতিনিধিত্বের সাথে একত্রিত করা হয়েছে, যার ফলে সামগ্রিক কর্মক্ষমতা উন্নত হয়েছে।

প্রশিক্ষণ প্রক্রিয়া চলাকালীন LSTM দ্বারা একটি গেটিং প্রক্রিয়া ব্যবহার করা হয়েছিল। e প্রস্তাবিত LSTM মডেলটি চারটি কর্মক্ষমতা পরিমাপের ভিত্তিতে মূল্যায়ন করা হয়েছিল: নির্ভুলতা, নির্ভুলতা, প্রত্যাহার এবং F1score, এবং অন্যান্য বেসলাইন মডেলের সাথে তুলনা করলে সামগ্রিক উচ্চতর ফলাফল অর্জন করেছে।

1। পরিচিতি

ঐতিহাসিক সময় থেকে সামাজিক সম্পর্ক বৃদ্ধিতে যোগাযোগ একটি গুরুত্বপূর্ণ ভূমিকা পালন করেছে। আজকাল, সমাজের প্রায় প্রতিটি অংশই সোশ্যাল মিডিয়া ব্যবহার করে কারণ এটি কার্যকরী নেটওয়ার্কিং টুলে বিকশিত হয়েছে। সোশ্যাল মিডিয়ার প্রধান অংশে রয়েছে ই-কমার্স সাইট।

ই-কমার্স প্রযুক্তির দ্রুত অগ্রগতির কারণে, বেশিরভাগ মানুষ এখন অনলাইনে কেনাকাটা করতে পছন্দ করে। গ্রাহকের অভিজ্ঞতার উপর ভিত্তি করে লোকেরা বিভিন্ন পরিস্থিতি, আইটেম এবং সংস্থান সম্পর্কে প্রতিক্রিয়া জানাতে সোশ্যাল মিডিয়া ব্যবহার করতে পারে, যা ইতিবাচক বা নেতিবাচক হতে পারে।

প্রতিকূল মন্তব্যগুলি কোম্পানির বৃদ্ধিতে একটি অপরিহার্য ভূমিকা পালন করে কারণ তারা পরিষেবাগুলি উন্নত করতে সহায়তা করে। এখানে, অনুভূতি বিশ্লেষণ খেলার মধ্যে আসে.

অনুভূতি বিশ্লেষণ পাঠ্য তথ্যের মাধ্যমে বিভিন্ন পণ্যের প্রতি গ্রাহকের দৃষ্টিভঙ্গি প্রদান করতে এবং একই সাথে শেয়ার করা এই পর্যালোচনাগুলি মূল্যায়ন করতে সহায়তা করে।

বিভিন্ন ধরণের গবেষণা পরামর্শ দেয় যে অনুভূতি বিশ্লেষণ সাধারণত তিনটি স্তরে পরিচালিত হয়: বাক্য, নথি, এবং বাক্যাংশ-স্তর [1-3]। অনুভূতি বিশ্লেষণের প্রক্রিয়ার সাথে জড়িত essubsteps চিত্র 1 এ চিত্রিত করা হয়েছে।

গবেষণায় অ্যামাজন রিভিউকে বৃহৎ সংখ্যক শ্রেণীবদ্ধ করতে LSTM নেটওয়ার্ক ব্যবহারের প্রস্তাব করা হয়েছে। গভীর জ্ঞানার্জনের কৌশলটি দ্রুত এবং বড় সংখ্যক পর্যালোচনার জন্যও ভাল ফলাফল দেয়। e অধ্যয়ন ভেক্টর স্পেসে শব্দ উপস্থাপনার দক্ষ অনুমানের জন্য word2vec এম্বেডিং ব্যবহার করে।

Word2vec স্ট্যান্ডার্ড উপস্থাপনা পদ্ধতি যেমন শব্দের ব্যাগ বা এক-অংশ এনকোডিংয়ের চেয়ে ভাল ফলাফল প্রদান করে। অধ্যয়নটি মূলত দুটি অংশের উপর দৃষ্টি নিবদ্ধ করে: রিভিউকে শ্রেণীবদ্ধ করতে word2vec মডেল এবং LSTM নেটওয়ার্কের মাধ্যমে ভেক্টর স্পেস-এ অনুভূতির শব্দের দক্ষ ম্যাপিং।

2. সাহিত্য জরিপ

+is বিভাগে সেন্টিমেন্ট বিশ্লেষণের বিষয়ে সমস্ত গুরুত্বপূর্ণ পটভূমি কাজ রয়েছে যা আমাদের গবেষণার সাথে প্রাসঙ্গিক।

আমরা আবিষ্কার করেছি যে আগের বেশিরভাগ কাজগুলি মেশিন লার্নিং অ্যালগরিদম, গভীর শিক্ষার অ্যালগরিদম এবং সেন্টিমেন্ট লেক্সিকন নিযুক্ত করেছিল। সারণি 1-এ, আমরা গবেষণায় ব্যবহৃত পদ্ধতির সংক্ষিপ্তসার এবং পদ্ধতির গুণাগুণ ও ত্রুটিগুলিকে তুলে ধরেছি।

2013 সালে, সিন্ধু এবং চন্দ্রকলা [4] সাম্প্রতিক এবং দক্ষ কৌশলগুলি পর্যবেক্ষণ করেছে যা সেন্টিমেন্ট বিশ্লেষণ অধ্যয়নের জন্য নিযুক্ত করা হয়, যার মধ্যে সেন্টিমেন্ট পোলারিটি শ্রেণীবিভাগ এবং বিভিন্ন মেশিন লার্নিং কৌশল যেমন NaiveBayes, ম্যাক্সিমাম এনট্রপি এবং সমর্থন ভেক্টর মেশিন রয়েছে। +জরিপ পরামর্শ দেয় যে অনুভূতির শ্রেণীবিভাগ দুটি বৈশিষ্ট্য দ্বারা নির্ধারিত হতে পারে, পোলারিটি অ্যাসাইনমেন্ট, অর্থাৎ, অনুভূতিটি ইতিবাচক, নেতিবাচক বা নিরপেক্ষ কিনা তা নির্ধারণ করা এবং তীব্রতা অ্যাসাইনমেন্ট, যা পোলারিটির পরিপ্রেক্ষিতে কতটা দৃঢ় বা মৃদু আলাদা আলাদা অনুভূতি প্রদর্শন করে।

জুরেক এট আল। [৫] একটি অভিধান-ভিত্তিক সেন্টিমেন্ট বিশ্লেষণসালগরিদম সহ একটি মডেল উপস্থাপন করেছে যাতে দুটি মূল উপাদান রয়েছে: প্রমাণ-ভিত্তিক ইন্টিগ্রেশন ফাংশন এবং সেন্টিমেন্ট স্বাভাবিকীকরণ যা ইতিবাচক/নেতিবাচক লেবেলের পরিবর্তে আবেগকে পরিমাপ করে এবং বিভিন্ন আবেগের পার্থক্যে সহায়তা করে।

একটি সর্বজনীনভাবে উপলব্ধ টুইটার কর্পাস এই গবেষণার জন্য একটি ডেটাসেট হিসাবে ব্যবহার করা হয়েছিল, গবেষণার মূল ফোকাস হচ্ছে রিয়েল-টাইম টুইটার বিষয়বস্তু বিশ্লেষণ।

ঝাং এট আল। [৬] ই-কমার্স রিভিউতে সেন্টিমেন্ট বিশ্লেষণ করার জন্য একটি মাল্টিক্লাসিফিকেশন পদ্ধতি উপস্থাপন করেছে।

আরও, ঝাং এট আল। [৬] ই-কমার্স পর্যালোচনার অনুভূতি বিশ্লেষণের জন্য একটি বহুশ্রেণীর মডেল উপস্থাপন করেছে। +eAmazon পর্যালোচনা ডেটাসেট (2018) প্রস্তাবিত অধ্যয়নের জন্য ব্যবহার করা হয়েছিল, যা একটি নির্দেশিত ওজনযুক্ত সমস্যার উপর ভিত্তি করে ছিল। +প্রস্তাবিত গবেষণায় বলা হয়েছে যে, বৈশিষ্ট্য সহ সত্তা শব্দের নিষ্কাশন, অনুভূতির ধরণগুলির মূল্যায়ন এবং নোডগুলির মধ্যে সংক্ষিপ্ততম পথের মূল্যায়নের মাধ্যমে, অনুভূতির মিলের সমস্যাটি সংক্ষিপ্ততম পথ গণনার সমস্যায় রূপান্তরিত হতে পারে। BERTmodel [7] এর সাথে তুলনা করলে, এই মডেলটি অ্যালগরিদমের CPU সময়ের পরিপ্রেক্ষিতে আরও ভালো পারফর্ম করেছে।

দে এট আল। [৮] তিনটি মূল্যায়ন মেট্রিক ব্যবহার করে মেশিন লার্নিং অ্যালগরিদম, কে-এনএন এবং নেভ বেইস পরীক্ষা করেছেন। +eNaive Bayes ক্লাসিফায়ার তাদের কাজের মধ্যে K-NN ক্লাসিফায়ারকে ছাড়িয়ে গেছে।

গবেষকরা [9] দুটি কৌশল সহ একটি অনুভূতি শ্রেণীবিভাগ মডেল উপস্থাপন করেছেন। +e প্রথম প্রস্তাবিত পদ্ধতি, সেন্টিমেন্ট ক্লাসিফিকেশন অ্যালগরিদম K-NN ক্লাসিফায়ারকে নিযুক্ত করেছিল এবং অন্যটিতে, সমর্থন ভেক্টরমেশিন অ্যালগরিদম ব্যবহার করা হয়েছিল। +e শ্রেণীবিন্যাস অ্যালগরিদমের দক্ষতা বাস্তব টুইটের উপর ভিত্তি করে যাচাই করা হয়েছিল। + প্রাপ্ত ফলাফলগুলি দেখিয়েছে যে সেন্টিমেন্ট ক্লাসিফিকেশনালগরিদম পরীক্ষামূলক বৈধতার ক্ষেত্রে SVM কে ছাড়িয়ে গেছে।

[10]-এ, তত্ত্বাবধানে থাকা এবং তত্ত্বাবধানহীন শেখার পদ্ধতির একটি তুলনা উপস্থাপন করা হয়েছিল। +eir কাজ তত্ত্বাবধানে (CNN এবং KNN) এবং unsupervised (K এর সাথে CNN মানে ক্লাস্টারিং) শেখার অ্যালগরিদমের তুলনামূলক বিশ্লেষণ প্রদান করেছে।

ফ্যাং এট আল। [১১] একটি বহুমুখী বিশ্লেষণ কৌশল প্রবর্তন করেছে যা ব্যাপকভাবে অস্পষ্ট সেট তত্ত্ব, মেশিন লার্নিং তত্ত্ব এবং একটি পোলারিটি লেক্সিকোন-ভিত্তিক পদ্ধতিকে অন্তর্ভুক্ত করে। তারপর এই হাইব্রিড মডেল ব্যবহার করে ভোক্তা পর্যালোচনাগুলি বিশ্লেষণ করা হয়েছিল।

এই অধ্যয়নের জন্য Naive Bayes এবং SVM অ্যালগরিদম ব্যবহার করা হয়েছিল। +e বর্ধিত SVM মডেল, অর্থাৎ, একটি হাইব্রিড পদ্ধতি যা SVM-এর সাথে বহু-কৌশলগত অনুভূতি বিশ্লেষণকে একত্রিত করে, অনেক বেশি সফল এবং 86.35% এর নির্ভুলতা দিয়েছে।

উপরন্তু, আপগ্রেড করা Naive Bayes বাস্তবায়নের সময় নির্ভুলতার একটি 3.8% বৃদ্ধি পরিলক্ষিত হয়েছে। উপরন্তু, গবেষকরা [১২] সিএনএন-এ লেকসিকাল এম্বেডিং এবং একটি মনোযোগ প্রক্রিয়া অন্তর্ভুক্ত করার একটি উপায় উপস্থাপন করেছেন। +edataset টুইট ব্যবহার করে তৈরি করা হয়েছে। +e পদ্ধতিটি F1 স্কোর ব্যবহার করে মূল্যায়ন করা হয়েছিল। +ই কাজ যা প্রস্তাবিত ছিল বর্তমানের চেয়ে ভাল সঞ্চালিত হয়েছে।

একটি রিকার্সিভ নিউরাল নেটওয়ার্ক (RNN) ভিত্তিক সুপারিশ সিস্টেম (RDSA) প্রীতি এট আল দ্বারা চালু করা হয়েছিল।

অনুভূতি বিশ্লেষণের উপর কেন্দ্র করে পরামর্শগুলিকে অপ্টিমাইজ করার জন্য গভীর শিক্ষার ব্যবহার করা হয়েছিল এবং এই গবেষণায় তিনটি পৃথক পর্যালোচনায় করা হয়েছিল।

প্রথমত, ডেটাসেটগুলি তদন্ত করা হয়েছিল এবং তাদের পরিসংখ্যানগত দিকগুলি নেভ বেইস ক্লাসিফায়ার এবং আরএনএন প্রয়োগ করার আগে পর্যবেক্ষণ করা হয়েছিল। +পরীক্ষার ফলাফলগুলি দেখায় যে RNN ব্যবহার করে, একটি গভীর নিউরাল নেটওয়ার্ক, অনুভূতি বিশ্লেষণের নির্ভুলতা বৃদ্ধি করেছে, যা ব্যবহারকারীদের জন্য সূক্ষ্ম পরামর্শের দিকে পরিচালিত করে এবং ব্যবহারকারীদের প্রয়োজনীয়তার উপর নির্ভর করে পৃথক অবস্থান নির্বাচন করতে সহায়তা করে।

অধিকন্তু, [14] এর গবেষকরা তথ্য শ্রেণীবদ্ধ করার জন্য একটি Giniindex-ভিত্তিক বৈশিষ্ট্য নির্বাচন এবং একটি SVM শ্রেণীবিভাগ ব্যবহার করার প্রস্তাব করেছেন। এই অধ্যয়নের জন্য +e ডেটাসেট ছিল সিনেমা পর্যালোচনার একটি বড় সংগ্রহ।

পরীক্ষার ফলাফলের উপর ভিত্তি করে, প্রস্তাবিত পদ্ধতিটি অন্যান্য পদ্ধতির তুলনায় কম নির্ভুল বলে নির্ধারিত হয়েছিল। আন্তঃ-মতামত সংযোগ সহ একটি গেটেড আরএনএন চেন এট আল দ্বারা প্রবর্তিত হয়েছিল। [১৫]। +isapproach এর নির্ভুলতা প্রায় 92.6% ছিল।

শ্রেণীবিভাগের জন্য, একটি দ্বিমুখী গেটেড রেকারেন্ট ইউনিট (BiGRU) একটি অ্যাটেনশন মেকানিজমের সাথে যুক্ত করার প্রস্তাব করা হয়েছিল [16]। +is পন্থাটি শ্রেণীবিভাগের কাজগুলির জন্য কার্যকর বলে প্রমাণিত হয়েছে এবং 93.1% নির্ভুলতার সাথে পূর্বে ব্যবহৃত পদ্ধতির তুলনায় আরও ভাল ফলাফল তৈরি করেছে। একটি প্রতিস্থাপন অনুভূতি বিশ্লেষণ মডেল যা সিএনএন এবং মনোযোগ-ভিত্তিক বিজিআরইউকে অন্তর্ভুক্ত করে গবেষকরা [17] এ প্রস্তাব করেছিলেন।

গভীর শিক্ষার প্রযুক্তির সাথে অনুভূতি অভিধানের সুবিধাগুলিকে একীভূত করে, পণ্য পর্যালোচনার জন্য ঐতিহ্যগত অনুভূতি বিশ্লেষণ মডেলের ত্রুটিগুলির জন্য ক্ষতিপূরণ দেয়। +e সেন্টিমেন্টলেক্সিকন রিভিউতে পাওয়া সেন্টিমেন্ট অ্যাট্রিবিউটগুলিকে সমর্থন করে এবং গেটেড রিকারেন্টুনিট নেটওয়ার্কের সাথে একত্রে ব্যবহৃত CNN উল্লেখযোগ্য সেন্টিমেন্ট বৈশিষ্ট্য এবং প্রসঙ্গ উপাদানগুলিকে তুলে ধরে। +e প্রস্তাবিত মডেল পরীক্ষামূলক বিশ্লেষণে 93.5% নির্ভুলতা দিয়েছে, যা NB, SVM এবং CNN মডেলের চেয়ে বেশি বলে প্রমাণিত হয়েছে। হিউন এট আল। [18] লক্ষ্য নির্ভরতার উপর ভিত্তি করে একটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক মডেলের পরামর্শ দিয়েছেন। +e প্রস্তাবিত পদ্ধতি লক্ষ্য শব্দ এবং আশেপাশের শব্দের মধ্যে দূরত্ব গণনা করে লক্ষ্য শব্দে পার্শ্ববর্তী শব্দগুলির প্রভাব নির্ণয় করতে সহায়তা করে। +ইর গবেষণায় দেখা গেছে যে একটি বাক্যে প্রতিটি পদ বিবৃতির আবেগগত মেরুত্বের উপর বিভিন্ন প্রভাব ফেলে।
একটি হাইব্রিড গভীর শিক্ষার মডেল যা পদ্ধতিগতভাবে একাধিক শব্দ এমবেডিং পদ্ধতির (Word2vec, FastText, এবং চরিত্র-স্তরের এম্বেডিং) এবং বেশ কিছু গভীর শিক্ষার পদ্ধতি (LSTM, GRU, BiLSTM, এবং CNN) সংহত করে [১৯] গবেষকরা। +e প্রস্তাবিত মডেল বিভিন্ন ওয়ার্ডএমবেডিং পদ্ধতি ব্যবহার করে তাদের নিষ্কাশন করে বৈশিষ্ট্যগুলি অর্জন করে, সেগুলিকে একত্রিত করে এবং পাঠ্যকে পারসেন্টিমেন্ট হিসাবে শ্রেণীবদ্ধ করে।

প্রস্তাবিত মডেলের কার্যকারিতা যাচাই করার জন্য, স্ট্যান্ডার্ড মডেল হিসাবে পরিচিত অসংখ্য গভীর শিক্ষার মডেল তৈরি করা হয়েছিল এবং একাধিক পরীক্ষা চালানোর জন্য ব্যবহৃত হয়েছিল। পূর্ববর্তী গবেষণার সাথে প্রস্তাবিত মডেলের কর্মক্ষমতা তুলনা করার সময়, এই গবেষণার ফলাফল অনুসারে, নতুন মডেল বেসলাইন মডেলগুলিকে ছাড়িয়ে যায়।

For more information:1950477648nn@gmail.com