Development of a Web Application for Intelligent Analysis of Customer Reviews Using a Modified seq2seq Model with an Attention Mechanism

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Machine learning, and neural networks in particular, are having a huge impact on business and marketing by providing convenient tools for analytics and customer feedback. The article proposes an intelligent analysis of customer feedback based on the use of a modified seq2seq deep learning model. Since the basic seq2seq model has a significant disadvantage – the inability to concentrate on the main parts of the input sequence, the results of machine learning may give an inadequate assessment of customer feedback. This disadvantage is eliminated by means of a model proposed in the work called the “attention mechanism”. The model formed the basis for the development of a web application that solves the problem of flexible interaction with customers by parsing new reviews, analyzing them and generating a response to a review using a neural network.

About the authors

Evgeny S. Budaev

Financial University under the Government of the Russian Federation

Author for correspondence.
Email: esbudaev@fa.ru
ORCID iD: 0000-0002-3718-0282

Cand. Sci. (Eng.), Associate Professor, associate professor, Department of Data Analysis and Machine Learning, Faculty of Information Technology and Big Data Anlysis

Russian Federation, Moscow

References

  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/ (data of accesses: 14.12.2023).
  4. LSTM и GRU. URL: https://habr.com/ru/companies/mvideo/articles/780774/ (data of accesses: 03.12.2023).
  5. NLP from scratch: machine translation using seq2seq with the attention mechanism. URL: https://pytorch.org/tutorials/intermediate/seq2seq_translation_tutorial.html#loading-data-files (date of application: 12/01/2023).
  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. Introduction to Text Mining and preprocessing of text data. URL: https://nagornyy.me/it/vvedenie-v-text-mining-i-predvaritelnaia-obrabotka-tekstovykh-dannykh / (data of accesses: 05.12.2023).
  9. Introduction to deep learning: a step-by-step guide. URL: https://pythonist.ru/vvedenie-v-glubokoe-obuchenie-po-shagam/? (data of accesses: 02.12.2023).
  10. Visualizing neural machine translation (seq2seq models with an attention mechanism). URL: https://habr.com/ru/post/486158/ (data of accesses: 03.12.2023).
  11. How to display a product card in the top on Wildberries. URL: https://ritm-z.ru/blog/Ritm-Z/kak-vyvesti-kartochku-tovara-v-top-na-wildberries/ (data of accesses: 02.12.2023).
  12. Makarova E.S., Budaev E.S. Intelligent analysis of customer reviews using the seq2seq model. Internauka: Electron. Scientific Journal. 2022. No. 22 (245). URL: https://internauka.org/journal/science/internauka/245 (data of accesses: 14.12.2023). doi: 10.32743/26870142.2022.22.245.342556
  13. Marketplaces: definition, types, sites. URL: https://investprofit.info/marketplace/? (data of accesses: 02.12.2023).
  14. Mechanism of attention. URL: https://neerc.ifmo.ru/wiki/index.php?title=Mechanism_of_attention (data of accesses: 12/16/2023).
  15. Models of deep neural networks sequence-to-sequence on PyTorch. URL: https://habr.com/ru/post/567142/ (data of accesses: 12/17/2023).
  16. Recurrent GRU blocks. An example of their implementation in the task of sentiment analysis. URL: https://proproprogs.ru/neural_network/rekurrentnye-bloki-gru-primer-realizacii-v-zadache-sentiment-analiza? (data of accesses: 14.12.2023).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. The basic architecture of the seq2seq model]

Download (3KB)
Indexing metadata
3. Fig. 2. Classical architecture of GRU

Download (50KB)
Indexing metadata
4. Fig. 3. Architecture of the seq2seq model with an attention mechanism

Download (40KB)
Indexing metadata
5. Fig. 4. The organization’s goals tree

Download (37KB)
Indexing metadata
6. Fig. 5. Diagram of use cases “Selling cosmetics on the marketplace”

Download (96KB)
Indexing metadata
7. Fig. 6. Algorithm for the server part of the program

Download (37KB)
Indexing metadata
8. Fig. 7. Part of the training sample]

Download (137KB)
Indexing metadata
9. Fig. 8. The result of neural network training]

Download (77KB)
Indexing metadata
10. Fig. 9. The algorithm of the server side of the application with the indication of frameworks and libraries

Download (152KB)
Indexing metadata
11. Fig. 10. Part of the upload for testing the health of the server side of the application

Download (265KB)
Indexing metadata
12. Fig. 11. The result of the program’s operation when testing the health of the server part of the application

Download (22KB)
Indexing metadata
13. Fig. 12. Generated file

Download (446KB)
Indexing metadata


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».