عنوان مقاله:
ارزیابی کیفیت خدمات و بهبود خدمات با استفاده از بررسی های آنلاین: چارچوبی که یادگیری عمیق را با مدل کیفیت خدمات سلسله مراتبی ترکیب می کند
Service quality evaluation and service improvement using online reviews: A framework combining deep learning with a hierarchical service quality model
سال انتشار: 2022
رشته: مدیریت - مهندسی کامپیوتر
گرایش: مدیریت کیفیت و بهره وری - هوش مصنوعی
دانلود رایگان این مقاله:
دانلود مقاله بهبود خدمات با بررسی آنلاین
مشاهده سایر مقالات جدید:
5. Experiments
5.1. Parameter design
The LSTM, RNN and ANN methods were implemented using keras in TensorFlow. The mean squared error (MSE) was used as the loss function, and the mean absolute error (MAE) and MSE were used as the evaluation indexes to calculate the differences between the predicted and actual scores.
To address overfitting, the 5-fold cross-validation was adopted. The L1 regularized loss function was selected, the regularized parameter was set to 0.001, and the dropout value was set to 0.2. A dropout layer that randomly discards neurons in the hidden layers was added between the hidden and the full connection layer. RMSprop was selected as the optimizer, and its default learning rate was used. The number of neurons in the hidden layers was set to 16, and the sigmoid function was used as the activation function in the hidden layer.
5.2. Service quality evaluation results
The RNN and ANN were used as the benchmarks of the LSTM. The input data and the parameter settings of the RNN were the same as those of the LSTM. The ANN could not consider temporal effects. Thus, the online reviews were summarized along the time dimension, and the sum of the sentiment scores of the service attributes in each subdimension was calculated and used as the input of the ANN.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
5. آزمایشات
5.1. طراحی پارامتر
روش‌های LSTM، RNN و ANN با استفاده از keras در TensorFlow پیاده‌سازی شدند. میانگین مربعات خطا (MSE) به عنوان تابع ضرر و میانگین خطای مطلق (MAE) و MSE به عنوان شاخص های ارزیابی برای محاسبه تفاوت بین نمرات پیش بینی شده و واقعی استفاده شد.
برای رسیدگی به بیش‌برازش، اعتبارسنجی متقابل 5 برابری اتخاذ شد. تابع ضرر منظم L1 انتخاب شد، پارامتر منظم شده روی 0.001 و مقدار انصراف روی 0.2 تنظیم شد. یک لایه حذفی که به‌طور تصادفی نورون‌ها را در لایه‌های پنهان دور می‌اندازد، بین لایه اتصال پنهان و کامل اضافه شد. RMSprop به عنوان بهینه ساز انتخاب شد و از نرخ یادگیری پیش فرض آن استفاده شد. تعداد نورون ها در لایه های پنهان 16 تنظیم شد و تابع سیگموئید به عنوان تابع فعال سازی در لایه پنهان استفاده شد.
