Разработка веб-приложения интеллектуального анализа отзывов клиентов с применением модифицированной модели seq2seq с механизмом внимания

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Машинное обучение и, в частности, нейронные сети оказывают огромное влияние на бизнес и маркетинг посредством предоставления удобных средств для аналитики и обратной связи с клиентами. В статье предлагается интеллектуальный анализ отзывов клиентов на основе применения модифицированной модели глубокого обучения seq2seq. Так как базовая модель seq2seq обладает существенным недостатком – невозможностью концентрироваться на главных частях входной последовательности, то результаты машинного обучения могут дать неадекватную оценку отзывам клиентов. Указанный недостаток устраняется посредством предложенной в работе модели под названием «механизм внимания». Модель легла в основу разработки веб-приложения, решающего проблему гибкого взаимодействия с клиентами посредством парсинга новых отзывов, их анализа и генерации ответа на отзыв при помощи нейронной сети.

Полный текст

Доступ закрыт

Об авторах

Евгений Сергеевич Будаев

Финансовый университет при Правительстве Российской Федерации

Автор, ответственный за переписку.
Email: esbudaev@fa.ru
ORCID iD: 0000-0002-3718-0282

кандидат технических наук, доцент, доцент, кафедра анализа данных и машинного обучения, факультет информационных технологий и анализа больших данных

Россия, Москва

Список литературы

  1. Labintsev A., Khasanshin I., Balashov D. et al. Recognition Punches in Karate Using Acceleration Sensors and Convolution Neural Networks // IEEE Access. 2021. Vol. 9. Pp. 138106-138119. doi: 10.1109/ACCESS.2021.3118038.
  2. Dipankar Das, Anup Kumar Kolya, Abhishek Basu, Soham Sarkar. Computational intelligence applications for text and sentiment data analysis. Academic Press, 2023. P. 252. ISBN: 9780323905350. doi: 10.1016/B978-0-32-390535-0.00007-0.
  3. Gated recurrent unit networks: Efficient neural architecture for sequential data. URL: https://askanydifference.com/gated-recurrent-unit-networks/ (дата обращения: 14.12.2023).
  4. LSTM и GRU. URL: https://habr.com/ru/companies/mvideo/articles/780774/ (дата обращения: 03.12.2023).
  5. NLP с нуля: машинный перевод при помощи seq2seq с механизмом внимания. URL: https://pytorch.org/tutorials/intermediate/seq2seq_translation_tutorial.html#loading-data-files (дата обращения: 01.12.2023).
  6. Sansano E., Montoliu R., Belmonte Fernández Ó. A study of deep neural networks for human activity recognition // Computational Intelligence. 2020. No. 36. Pp. 1113–1139. doi: 10.1111/coin.12318.
  7. Shahriar Akter, Saradhi Motamarri, Umme Hani. et al. Building dynamic service analytics capabilities for the digital marketplace // Journal of Business Research. 2020. Vol. 118. Pp. 177–188. ISSN: 0148-2963. doi: 10.1016/j.jbusres.2020.06.016.
  8. Введение в Text Mining и предварительная обработка текстовых данных. URL: https://nagornyy.me/it/vvedenie-v-text-mining-i-predvaritelnaia-obrabotka-tekstovykh-dannykh/ (дата обращения: 05.12.2023).
  9. Введение в глубокое обучение: пошаговое руководство. URL: https://pythonist.ru/vvedenie-v-glubokoe-obuchenie-po-shagam/? (дата обращения: 02.12.2023).
  10. Визуализируя нейронный машинный перевод (seq2seq модели с механизмом внимания). URL: https://habr.com/ru/post/486158/ (дата обращения: 03.12.2023).
  11. Как вывести карточку товара в топ на Wildberries. URL: https://ritm-z.ru/blog/Ritm-Z/kak-vyvesti-kartochku-tovara-v-top-na-wildberries/ (дата обращения: 02.12.2023).
  12. Макарова Е.С., Будаев Е.С. Интеллектуальный анализ отзывов клиентов с применением модели seq2seq // Интернаука: электрон. научн. журн. 2022. № 22 (245). URL: https://internauka.org/journal/science/internauka/245 (дата обращения: 14.12.2023). doi: 10.32743/26870142.2022.22.245.342556.
  13. Маркетплейсы: определение, типы, площадки. URL: https://investprofit.info/marketplace/? (дата обращения: 02.12.2023).
  14. Механизм внимания. URL: https://neerc.ifmo.ru/wiki/index.php?title=Механизм_внимания (дата обращения: 16.12.2023).
  15. Модели глубоких нейронных сетей sequence-to-sequence на PyTorch. URL: https://habr.com/ru/post/567142/ (дата обращения: 17.12.2023).
  16. Рекуррентные блоки GRU. Пример их реализации в задаче сентимент-анализа. URL: https://proproprogs.ru/neural_network/rekurrentnye-bloki-gru-primer-realizacii-v-zadache-sentiment-analiza? (дата обращения: 14.12.2023).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Базовая архитектура модели seq2seq

3. Рис. 2. Классическая архитектура GRU

Скачать (50KB)
4. Рис. 3. Архитектура модели seq2seq с механизмом внимания

Скачать (40KB)
5. Рис. 4. Дерево целей организации

Скачать (37KB)
6. Рис. 5. Диаграмма вариантов использования «Продажа косметических средства на маркетплейсе»

Скачать (96KB)
7. Рис. 6. Алгоритм работы серверной части программы

Скачать (37KB)
8. Рис. 7. Часть обучающей выборки

Скачать (137KB)
9. Рис. 8. Результат обучения нейронной сети

Скачать (77KB)
10. Рис. 9. Алгоритм работы серверной части приложения с указанием фреймворков и библиотек

Скачать (152KB)
11. Рис. 10. Часть выгрузки для тестирования работоспособности серверной части приложения

Скачать (265KB)
12. Рис. 11. Результат работы программы при тестировании работоспособности серверной части приложения

Скачать (22KB)
13. Рис. 12. Сгенерированный файл

Скачать (446KB)


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах