1. AI新视界首页
  2. AI食品

使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

今天介绍一篇由悉尼科技大学土木与环境工程学院工程与信息技术学院高级建模和地理空间信息系统中心(CAMGIS)的Anirban Adak等人今年七月发表于Foods(IF: 5.561)的一篇文章。该研究通过比较食品配送服务(FDS)领域中的简单和混合深度学习(DL)技术(LSTM、Bi-LSTM、Bi-GRU-LSTM CNN)进行了情绪分析,并使用SHapley Additive exPlanations(SHAP)和Local Interpretable Model-Agnostic Explanations(LIME)解释了预测。DL模型在从ProductReview网站提取的客户评论数据集上进行了训练和测试。结果表明,LSTM、Bi-LSTM和Bi-GRU-LSTM-CNN模型的准确率分别为96.07%、95.85%和96.33%。LSTM模型相比其他两个DL模型实现了更低的假阴性率。可解释人工智能(XAI)技术,如SHAP和LIME,揭示了用于验证模型的单词对积极和消极情绪的特征贡献。

摘要

今天介绍一篇由悉尼科技大学土木与环境工程学院工程与信息技术学院高级建模和地理空间信息系统中心(CAMGIS)的Anirban Adak等人今年七月发表于Foods(IF: 5.561)的一篇文章。该研究通过比较食品配送服务(FDS)领域中的简单和混合深度学习(DL)技术(LSTM、Bi-LSTM、Bi-GRU-LSTM CNN)进行了情绪分析,并使用SHapley Additive exPlanations(SHAP)和Local Interpretable Model-Agnostic Explanations(LIME)解释了预测。DL模型在从ProductReview网站提取的客户评论数据集上进行了训练和测试。结果表明,LSTM、Bi-LSTM和Bi-GRU-LSTM-CNN模型的准确率分别为96.07%、95.85%和96.33%。LSTM模型相比其他两个DL模型实现了更低的假阴性率。可解释人工智能(XAI)技术,如SHAP和LIME,揭示了用于验证模型的单词对积极和消极情绪的特征贡献。

研究背景

消费者对食品配送服务(FDS)的需求持续增加。随着越来越多的餐厅加入FDS公司提供网上送餐服务,互联网平台上的顾客评论已成为公司业绩的宝贵信息来源。FDS公司积极收集客户投诉,并有效利用信息来确定提高客户满意度所需的改进措施。然而,由于客户反馈数据的大体量和缺乏客户服务人员,仅能处理少部分的客户意见。通过使用人工智能,FDS公司可以自行寻找解决方案以节省资金。根据文献,深度学习方法在处理其他领域的大型数据集时取得了显著的效果,但在缺乏可解释性。通过构建深度学习(DL)模型,然后使用可解释人工智能(XAI)技术对其进行解释,以验证该模型在食品工业应用中的逻辑。本研究比较了DL技术,并选择了适用于FDS领域的最佳DL分类器,以预测客户反馈中的消极情绪,从而进一步提高客户满意度。使用XAI技术对准备好的DL模型进行了测试,以验证模型的预测逻辑,并为使用该模型的公司和行业建立信任。

使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

研究结果

2.1 深度学习模型的比较

Figure 2和Table 1显示了分类器的分类性能模型性能指标的结果表明,为执行情绪分析而开发的所有DL模型都获得了高的总体准确度。然而,FDS公司将选择LSTM模型作为最佳分类器,因为与BiLSTM和Bi-GRU LSTM CNN相比,LSTM模型实现了更低的假阴性率。

使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

Figure 2 LSTM (A),Bi-LSTM (B)和Bi-GRU LSTM CNN (C) 模型混淆矩阵

Table 1 LSTM,Bi-LSTM和Bi-GRU LSTM CNN模型结果使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

2.2 使用XAI技术解释LSTM模型

Figure 3和Figure 4分别为LSTM模型检测到积极和消极客户评价的SHAP解释。可解释的模型表明,“印象深刻”、“新”和“已经”等词强烈推动预测值向积极情绪发展,“退款”、“不”、“为什么”和“有权”等词与消极客户评价预测呈正相关,这与实际的预测值相匹配。使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

Figure 3 LSTM模型检测到的积极客户评论的SHAP解释

使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

Figure 4 LSTM模型检测到的消极客户评论的SHAP解释

Figure 5和Figure 6分别为LSTM模型检测到的积极和消极客户评论的LIME解释。其中,“印象深刻”、“交付”和“新”等词增加了评论被归类为正面的机会。然而,这些词在LIME解释中贡献度相似。“不”、“退款”和“网站”等词与消极客户评价预测呈正相关。

使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

Figure 5 LSTM模型检测到的积极客户评论的LIME解释

使用可解释人工智能(XAI)技术解开送餐服务评论的深度学习模型

结论

参考文献

Adak A, Pradhan B, Shukla N, Alamri A. Unboxing Deep Learning Model of Food Delivery Service Reviews Using Explainable Artificial Intelligence (XAI) Technique. Foods. 2022; 11(14):2019. https://doi.org/10.3390/foods11142019

公众号:FoodAI

原创文章,作者:ifyoung,如若转载,请注明出处:https://www.drugfoodai.com/xai-food-delivery.html

注意:本站原创指的是原创编译,并不主张对所介绍的工作的版权,如有侵权,请联系删除!

发表评论

邮箱地址不会被公开。 必填项已用*标注