ROBERTA TIL MODELI VA NMF TEMATIK MODELLASHTIRISH USULI
Ключевые слова:
Roberta, Bert, LSTM, NMF, NLP, языковые модели.Аннотация
Cегодня онлайн-обзоры предоставляют покупателям важную информацию для принятия решения о покупке. По данным Consumer Reports, вероятность покупки товара без онлайн-отзывов на 270% ниже, чем у товара с 5 положительными онлайн-отзывами. Кроме того, опрос общественного мнения показывает, что 98% интернет-потребителей используют онлайн-отзывы в качестве информации при совершении покупок в Интернете и тратят более минуты на чтение онлайн-отзывов перед совершением покупки. Однако покупатели часто скептически относятся к слишком многочисленным отзывам. Исследования показывают, что 82% клиентов специально ищут отрицательные отзывы. Можно сделать вывод, что отзывы, в свою очередь, играют очень важную роль в принятии решения о покупке. Поэтому нижеследующая цель — проанализировать отзывы, проанализировать их настроение с помощью различных методов, определить, что побудило клиента написать такой отзыв, и предоставить поставщикам продукции правильное решение для каждой ситуации. Недавние исследования проводились в области анализа настроений, сравнения различных существующих методов и выявления методов, дающих наилучшие результаты, однако ни один из них не достиг существенного прогресса в определении предмета отзывов клиентов. Вот тут-то и проявляется уникальность этой работы. Это исследование не только определяет, является ли отзыв положительным или отрицательным, но и моделирует темы отзывов. Мы найдем ответы на такие вопросы, как определение элементов, влияющих на удовлетворенность клиентов, и как принять правильное решение в каждом конкретном случае.
Библиографические ссылки
1. Elov B., Alayev R., Aloyev N. (2024). Tematik modellashtirishning zamonaviy usullari. Digital transformation and artificial intelligence, 2(1), 8–16. Retrieved from https://dtai.tsue.uz/index.php/dtai/article/view/v2i12
2. Elov.B., Alayev N. Matnlarini tematik modellashtirish va tasniflash usullari. barqarorlik va yetakchi tadqiqotlar onlayn ilmiy-amaliy jurnali. Vol. 3 No. 12 (2023). 263-276
3. Elov B., Aloyev N., Yuldashev A. (2023). SVD va NMF metodlari orqali tematik modellashtirish. O`zbekiston: til va madaniyat (Kompyuter lingvistikasi), 2023, 2(6). 55-66
4. Alghamdi, R., & Alfalqi, K. (2015). A Survey of Topic Modeling in Text Mining. International Journal of Advanced Computer Science and Applications, 6(1). https://doi.org/10.14569/ijacsa.2015.060121
5. Tao, R., Wei, Y., & Yang, T. (2021). Metaphor Analysis Method Based on Latent Semantic Analysis. Journal of Donghua University (English Edition), 38(1). https://doi.org/10.19884/j.1672-5220.202010087
6. Darmalaksana, W., Slamet, C., Zulfikar, W. B., Fadillah, I. F., Maylawati, D. S. adillah, & Ali, H. (2020). Latent semantic analysis and cosine similarity for hadith search engine. Telkomnika (Telecommunication Computing Electronics and Control), 18(1). https://doi.org/10.12928/TELKOMNIKA.V18I1.14874
7. Ke, Z. T., & Wang, M. (2022). Using SVD for Topic Modeling. Journal of the American Statistical Association. https://doi.org/10.1080/01621459.2022.2123813
8. Churchill, R., & Singh, L. (2022). The Evolution of Topic Modeling. ACM Computing Surveys, 54(10). https://doi.org/10.1145/3507900
9. Kherwa, P., & Bansal, P. (2020). Topic Modeling: A Comprehensive Review. EAI Endorsed Transactions on Scalable Information Systems, 7(24). https://doi.org/10.4108/eai.13-7-2018.159623
