首先，我们也从亚马逊获得了50,000条评论的数据集。正面和负面该数据集的评论已被标记。作为我们的机器学习培训集。这个过程是大概是这样的：形成训练集中所有单词的词汇表。例如，我们现在有一个“非常好”的评论，然后该评论被标记为1（1是一个正数，0是一个负数），因此假设此句子的每个单词，他的标签向量为[1]在此词汇表中排名2,555,666,8988，则相对词汇表的值向量这句话是[555，666，8988]。因为我们的数据集有50,000条评论，也就是说我们对于50,000个句子的相对字典，具有50,000个标签向量和词法值向量。因此，我们将这两个值发送给lstm进行机器学习并训练了最终模型。
下边是该模型的相关准确性和召回率
图3.2：相对精度和召回机器模型
3.3.2关于LSTM的一些知识
LSTM很详细的解释
e-init和init对象设置了LSTM权重和偏差的计算方式初始化。该演示程序创建一个Adam（“自适应矩估计”）优化器宾语。Adam是许多类型的深度神经网络的非常好的通用优化器。替代方案包括RMSprop，Adagrad和Adadelta。尽管可以输入整数-编码的句子直接传送到LSTM网络，通过转换每个句子可获得更好的结果将整数ID转换为实数值向量。例如，单词“ the”的索引值为4，但是会被转换为矢量（0.1234，0.5678，… 0.3572）。这称为单词嵌入。想法是构造向量，以便类似的词（例如“ man”和“ male”）具有向量在数字上接近。向量的长度必须通过反复试验确定。的演示使用32号大小，但对于大多数问题，矢量大小通常为100到500。为LSTM网络创建词嵌入的主要方法有三种。一种方法是使用诸如Word2Vec之类的外部工具来创建嵌入。第二种方法是使用一组预先构建的嵌入，例如GloVe（“用于词表示的全局向量”），使用Wikipedia的文字构建而成。该演示程序使用第三种方法，就是要动态创建嵌入。这些嵌入将特定于词汇表问题场景。指定Embedding（）层后，演示程序将设置一个LSTM（）层。LSTM是非常复杂的软件模块。你可以得到一个大概的主意通过查看图4.3中的图表，了解LSTM的工作原理。
图3.3：简化的LSTM单元
x（t）对象是在时间t的输入，它是单词嵌入。输出为h（t）。不像常规神经网络，LSTM具有状态，这使它们能够处理句子，下一个单词取决于前一个单词。在图中，c（t）是时间t的单元状态。注意输出h（t）取决于当前输入x（t）以及先前的输出h（t-1）和单元状态c（t）。出色！
LSTM网络具有最终的Dense（）层，该层对LSTM（）层的输出进行处理降低到0.0到1.0之间的单个数值。小于0.5的输出值映射到分类0表示否定，输出大于0.5表示肯定（1）审查。在您的情绪分析具有多种价值的情况下，您可以使用一键式负数=（1、0、0），中性数=（0、1、0），正数=（0、0、1）等编码。因此我们可以使用经过训练的模型进行预测：预测的结果如下（0表示差评，1表示肯定）
3.4拓扑评价模型Topsis方法
基于有限数量的评估对象与理想的目标。这是对现有对象的相对较好的评估。那里有两个理想目标，一个是积极理想目标或最佳目标，一个是消极理想目标或最坏的目标。最佳评估对象应最接近最佳目标，并且最差的目标。Topsis方法是用于理想目标相似性的顺序优化技术。这是一个非常多目标决策分析的有效方法。它使用标准化的数据标准化矩阵以找到最佳和最差的目标（以理想和反理想的解决方案代表，多个目标之间），并计算每个评估目标与理想和反理想的解决方案然后，每个目标与理想解决方案的接近度为得出理想解的紧密程度，以此作为评估的依据目标的好坏。接近度的值在0到1之间。值越接近接近1，相应的评估目标越接近最佳水平；否则，值越接近0，评估目标越接近最差水平。我们将数据分析后的五个指标传递给topsis模型，这五个指标是：星级，情绪，lstm情绪，帮助/总票数，购买数量。这五个指标将起作用作为我们判断品牌优劣的标准。指示符（因为（0 1）表示评级很好，而（-1 0）表示评级不好）。的其他是非常大的指标。例如，对于2个包装的奶嘴之一，natursuttenbpa-免费天然橡胶，圆形乳头品牌。相关数据如图3.4所示：这只是品牌的topsis计算结果。将所有数据放入topsis模型中，我们可以获取所有品牌的分数。相关图表是3.5。
图3.4：
图3.5：
所有品牌吹风机的Topsis得分结果3.5相关分析通过topsis获得品牌的计算结果后，以检验结果的相关性，我们使用SPSS对结果进行相关性分析。首先我们检查星级与最终结果之间是否存在相关性。结果是如图3.6和图3.7所示。可以看出，假设检验结果为0.000，相关水平为0.791，相关性很大。考虑投票与最终结果之间的相关性，以及结果如图3.8和3.9所示。可以看出，假设检验结果为0.000，相关水平为0.675，并且相关性很大。然后考虑基于textblob nlp分析的情感和与最终结果的相关性。结果如图3.10和3.11所示。可以看出，假设检验结果为0.000，相关水平为0.827，
图3.6：吹风机品牌的topsisi得分前十名结果
图3.7：星级与最终结果之间的相关性相关性很大。
然后考虑基于lstm算法的nlp分析的情绪模型以及与最终结果的相关性。结果如图3.12和3.13所示。可以看出，假设检验结果为0.000，相关水平为0.506，相关性很大。考虑到购买数量和与最终结果的相关性，结果如图3.14和3.15所示。可以看出，假设检验结果为0.235，相关水平为-0.104，与相关性很小。4问题一4.1问题分析因为标题要求：基于评分和评论这两个指标，它们具有对阳光影响最大，确定一种数据测量方法。所以考虑这两个
图3.8：星级与最终结果之间的相关性
图3.9：投票星级与最终结果之间的相关性
因素：星级越高，产品越好；评论越好，越好产品; 星级越高，评论越可信。使用的topsis算法第一个问题，给出了三个指数：星级，NLP索引（按textblob）和NLP指数由LSTM。将每个指标的数据引入topsis算法以获得结果，可以用作评分和审查两个指标的数据衡量标准。4.2模型建立与解决方案考虑以下两个因素：星级越高，产品越好；越好评论，产品越好；星级越高，评论越可信。评论和星级是产品，因此两者应保持一致，但现在将有“五星级差评”和“一星肯定评价”，这表示出现了评分和星级。不一致之处。在这种情况下，数据需要进行预处理，并且“五星级差评”和“一星赞”将被删除。在上面的第一个问题中，通过基于textblob的NLP和基于机器学习的lstm
图3.10：投票星级与最终结果之间的相关性图
3.11：基于textblob nlp分析星级评定的情绪与最终结果模型，我们已将产品评论指标转化为数据形式的两个指标：NLP按textblob索引，按LSTM索引NLP。在第一个问题中，考虑了五个指标，包括星级和NLP指数，之后按textblob的NLP指数和按LSTM的NLP指数审查情绪分析。另外两个是我们的预定价格和购买数量。因此，在第一个问题中，考虑了星级和评论评论，并且建立了基于这五个指标的topsis算法模型。但是如果根据标题的含义只能判断产品的好坏通过评级和审查，那么我们仅将topsis算法模型提供给以下三个指标：星级和NLP指数Nemo指数通过textblob，NLP指数通过LSTM进行分析。
下图4.1是topsis算法之后的数据结果排名。
图3.12：基于textblob nlp分析星级评定的情绪与最终结果
5问题b
5.1问题分析b
根据“可以预测或预测的数据”来分析和讨论“基于时间的度量和模式”表示产品的声誉会在市场中增加或减少。”该表在一段
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
