En los últimos años, con el rápido desarrollo de la tecnología de Internet, las compras en línea se han convertido en una forma habitual de compra y consumo por parte de los usuarios. Esto da lugar a un creciente interés de muchas compañías de mejorar la atención que brindan a sus clientes, algo que es definitivamente un desafío si tenemos en cuenta que el comercio electrónico carece por completo de la calidez humana. La respuesta a esta interrogante es el análisis de sentimientos en la gran cantidad de opiniones de usuarios en diversas plataformas de comercio electrónico.Artículo para la lectura:
https://ieeexplore.ieee.org/document/8970492
dangdang.com
La obtención de data requirió el rastreo y limpieza de las reseñas de libros reales de Dangdang, un famoso sitio web chino de comercio electrónico, para entrenamiento y prueba, todos los cuales se basan en texto en caracteres chinos. Las reseñas de libros en los datos originales se dividen en cinco niveles, de una a cinco estrellas, dividimos los cinco niveles en dos categorías, 1-2 estrellas se definen como reseñas negativas, 3-5 estrellas se definen como reseñas positivas. Se examinó manualmente estas reseñas de productos por calificación de estrellas para asegurar que todas las reseñas en el conjunto de datos positivos sean reseñas positivas y todas las reseñas en el conjunto de datos negativos sean reseñas negativas. Se toma el conjunto de datos después del procesamiento manual como el conjunto de datos de este documento. El conjunto de datos incluye 100 000 reseñas, de las cuales 50000 son positivas y 50000 negativas.
Este artículo propone un nuevo modelo de análisis de sentimientos, SLCABG, que combina las ventajas del léxico de sentimientos y la tecnología de Deep Learning. Se basa en el léxico del sentimiento y combina la red neuronal convolucional (CNN) y la unidad recurrente bidireccional cerrada basada en la atención (BiGRU). Primero, el léxico del sentimiento se utiliza para mejorar las características del sentimiento en las reseñas. Luego, la CNN y la red de unidades periódicas cerradas (GRU) se utilizan para extraer las principales características de sentimiento y características de contexto en las revisiones y usar el mecanismo de atención para ponderar. Y finalmente clasifique las características de sentimiento ponderado.
La estructura del modelo SLCABG
Luego del entrenamiento, el modelo SLCABG logró una ocurrencia del 93,5%, precisión del 93%, 93.6% de recuperación y 93.3% F1. Estos resultados, además de muy superiores a otros modelos usados de comparación en el artículo, se ven prometedores para Dangdang, pues le proporcionará valiosa información de cómo mejorar el trato que tiene con sus usuarios. Sin embargo, cabe resaltar que el modelo fue entrenado para identificar si las reseñas fueron redactadas bajo la influencia de sentimientos buenos o malos, por lo que no es posible que identifique exactamente que sentimientos experimentaba el usuario. Este vacío probablemente dará espacio a investigaciones futuras en este campo.
Comparación de rendimiento de diferentes modelos de análisis de sentimiento
Autores
Li Yang
Ying Li
Jin Wang
R. Simon Sherratt, IEEE Access, 8, 23522-23530.
Fuente:
https://doi.org/10.1109/ACCESS.2020.2969854
