Ein auf Deep Learning basierendes Modell mit hybridem Merkmalsextraktionsansatz zur Analyse der Verbraucherstimmung

In der heutigen Welt gibt es ein exponentielles Wachstum der Textinhaltserstellung jeden Tag. In-App-Nachrichten wie Telegram und WhatsApp, soziale Medien Webseiten wie Instagram und Facebook, E-Commerce-Webseiten wie Amazon, Google-Suchanfragen, Nachrichtendienst-Webseiten und eine Vielzahl zusätzlicher Quellen sind mögliche Anbieter. Jede Sekunde produzieren all diese Quellen massive Mengen an Textdaten. Die Interpretation solcher Daten kann Geschäftsinhabern helfen, den sozialen Ausblick auf ihr Produkt, ihre Marke oder Dienstleistung zu analysieren und notwendige Schritte zu unternehmen. Die Entwicklung eines Modells zur Zusammenfassung von Verbraucherbewertungen unter Verwendung von Techniken der natürlichen Sprachverarbeitung (NLP) und Long Short-Term Memory (LSTM), um zusammengefasste Daten zu präsentieren und Unternehmen wertvolle Einblicke in das Verhalten und die Entscheidungen ihrer Verbraucher zu geben, ist das Thema dieser Forschung. In diesem Papier wird ein hybrider Ansatz zur Analyse von Stimmungen vorgestellt. Der Prozess umfasst die Vorverarbeitung, Merkmalsextraktion und Stimmungsklassifikation. Mittels NLP-Techniken entfernt die Vorverarbeitungsstufe unerwünschte Daten aus den Eingabetextbewertungen. Um die Merkmale effektiv zu extrahieren, wurde eine hybride Methode eingeführt, die bewertungsbezogene Merkmale und aspektbezogene Merkmale umfasst, um den charakteristischen hybriden Merkmalsvektor für jede Bewertung zu erstellen. Die Stimmungsklassifikation erfolgt unter Verwendung des Deep Learning-Klassifizierers LSTM. Wir haben das vorgeschlagene Modell experimentell mit drei verschiedenen Forschungsdatensätzen bewertet. Das Modell erreicht auf durchschnittlich 94,46%, 91,63% und 92,81% die durchschnittliche Präzision, den durchschnittlichen Rückruf und den durchschnittlichen F1-Score.