การวิเคราะห์ความรู้สึกทางอารมณ์ในบทความแนะนำสินค้าออนไลน์
คำสำคัญ:
การวิเคราะห์อารมณ์ความรู้สึก, การทำเหมืองข้อความ, แนวทางการเรียนรู้ของเครื่อง, การซื้อสินค้าออนไลน์, การตัดคำภาษาไทย, การทำเหมืองความคิดเห็นบทคัดย่อ
ในงานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอการสร้างตัวแบบสำหรับการวิเคราะห์ระดับความรู้สึกของการแสดงความคิดเห็นต่อสินค้าและบริการออนไลน์ โดยใช้เทคนิคส่วนการเรียนรู้ของเครื่อง (Machine Learning) ด้านการทำเหมืองข้อความ (Text Mining) ร่วมกับเทคนิคการตัดคำ (Word Segmentation) 3 รูปแบบ และการสร้างคลังคำศัพท์ (Bag of words) จากนั้นนำเข้ากระบวนการแยกประเภทผลการวิเคราะห์ 4 เทคนิค ได้แก่ K-Nearest Neighbors, Random Forest, Logistic Regression และ Support Vector Machines (SVM) ในการสร้างตัวแบบมีกระบวนการทดลอง 5 ขั้นตอน ได้แก่ 1) การเก็บรวบรวมและการเตรียมข้อมูล (Data Preparation Phase)
2) การประมวลผลข้อความ (Text File Processing Phase) 3) การฝึกอบรมข้อมูล (Training & Streaming Phase) 4) การแยกประเภท (Classification Phase) และ 5) การประเมินตัวแบบ (Model Evaluation Phase) ทำการทดลองโดยใช้ข้อมูลตัวอย่างการแสดงความคิดเห็นต่อสินค้าและบริการออนไลน์บน Social Blog จำนวน 252 บทความ การแสดงความคิดเห็นจำนวน 1,412 ความเห็น จำนวน 83,670 คำ ใช้เป็นข้อมูลในการสร้างตัวแบบ เพื่อช่วยให้ผู้บริโภคตัดสินใจในการซื้อสินค้าและบริการ และช่วยให้ผู้ประกอบการมีข้อมูลสำหรับการพัฒนาสินค้าและบริการในอนาคต ผลการทดลองสร้างตัวแบบการวิเคราะห์ระดับความรู้สึกทางอารมณ์ 3 ระดับ คือ ความรู้สึกเชิงบวก (Positive) เป็นกลาง (Neutral) และเชิงลบ (Negative) โดยแต่ละตัวแบบให้ความแม่นยำในการทำนายผล ดังนี้ K-Nearest Neighbors 52.6% Random Forest 71.6% Logistic Regression 77.2% และ Support Vector Machines (SVM) 79% สรุป การสร้างตัวแบบใช้เทคนิคการแยกประเภทแบบ Support Vector Machines (SVM) ร่วมกับเทคนิคการตัดคำแบบ Longest ให้คะแนนความแม่นยำดีที่สุดเมื่อเปรียบเทียบกับเทคนิคอื่นๆ เหมาะแก่การนำไปใช้ในการสร้างตัวแบบในการวิเคราะห์ระดับความรู้สึกสำหรับข้อความที่เป็นภาษาไทย
เอกสารอ้างอิง
Anurag, P.J. and Vijauy, D.K. 2015. Sentiments Analysis of Twitter Data Using Data Mining, pp. 807-810. In 2015 International conference on Information Processing (ICIP) Vishwakarma Institute of Technology. Pune, India.
Chormai, P., Prasertsom, P. and Rutherford, A. 2019. AttaCut: A Fast and Accurate Neural Thai Word Segmenter. Available Source: https://pythainlp.github.io/attacut/, June 20, 2020.
Chumwatana, T. 2015. Using Sentiment Analysis Technique for Analyzing Thai Customer Satisfaction from Social media, pp. 659-664. In Proceedings of the 5th International Conference on Computing and Informatics (ICOCI) 2015. Istanbul, Turkey.
Electronic Transections Development Agency (ETDA). 2019. mSMEs Scoring Report. Available Source: https://www.etda.or.th/publishing-detail/msmes-scoring-report.html, September 26, 2019. (in Thai)
Fan, X., Li, X., Du, F., Li, X. and Wei, M. 2016. Apply Word Vectors for Sentiment Analysis of APP Reviews, pp. 1062-1066. In The 2016 3rd International Conference on Systems and Information (ICSAI 2016) IEEE. Shanghai, China.
Haseena, R.P. and Ahmad, T. 2014. Sentiment Analysis Techniques - A Comparative Study. IJCEM International Journal of Computational Engineering & Management 17(4): 25-29.
Limkonchotiwat, P. 2018. How important is the Evaluate Model?: Machine Learning 101. Available Source: https://medium.com/mm
p-li/evaluate-model-precision-recall-f1-score-machine-learning-101-89dbbada0c96, January 20, 2020. (in Thai)
Lorattanachaiyong, I. 2017. Generating Thai Sentiment Lexicon from Online Reviews. A Thesis for the Degree of Master Thesis of Arts, Chulalongkorn University. (in Thai)
Netisopakul, N. and Thong-iad, K. 2018. Thai Sentiment Resource Using Thai WordNet, pp. 329-340. In Conference on Complex, Intelligent, and Software Intensive Systems. Springer, Cham.
Promla, P. and Sanrach, C. 2020. The Comparison of Efficiency on The Analysis of Satisfaction on Teaching Performance using Sentiment Analysis by Ensemble Technique. KU Research Journal (Graduate Studies) 4(20): 104-149. (in Thai)
PyThaiNLP. 2018. PyThaiNLP Tutorials. Available Source: http://www.thainlp.org/pythainlp/tutorials/, June 20, 2020
Sepandar, D.K. and Jonathan, H. 2011. We feel fine and searching the emotional web, pp. 117-126. In Proceedings of the fourth ACM international conference on Web search and data mining (WSDM ’11). Association for Computing Machinery, New York, USA.
Sornjapo, N. 2019. Thai Text Automatic Clustering Model Using Machine Learning by Unsupervised Learning with Natural Language Processing. Sripatum Chonburi Jounal 14(4): 95-106. (in Thai)
Trupthi, M., Pabboju, S. and Narasimha, G. 2017. Sentiment Analysis on Twitter Using Streaming API, pp. 915-919. In 2017 IEEE 7th International Advance Computing Conference (IACC). Hyderabad, India.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2022 วารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิจัยมหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็น ต้องเห็นด้วย หรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา รูปภาพฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย ถือเป็นลิขสิทธ์ของวารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อการกระทำการใดๆจะต้องได้รับอนุญาตเป็นลายลักษ์อักษรจากวารสาร มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัยก่อนเท่านั้น
