การวิเคราะห์ความรู้สึกจากบทวิจารณ์ภาษาไทยของผู้บริโภคที่มีต่อสมาร์ตโฟนในระดับมุมมอง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการวิเคราะห์ความรู้สึกจากบทวิจารณ์ภาษาไทยของผู้บริโภคที่มีต่อสมาร์ตโฟนระดับมุมมอง ประกอบด้วย มุมมองกล้อง มุมมองแบตเตอรี่ มุมมองหน้าจอ มุมมองการประมวลผล และมุมมองราคา รวบรวมข้อมูลจากยูทูป จำนวน 6 ยี่ห้อ ได้แก่ Apple, Samsung, Xiaomi, Vivo, Oppo และ Huawei จำนวน 67,907 ความคิดเห็น ขั้นตอนการดำเนินงานประกอบไปด้วย 1) การเก็บรวบรวมข้อมูล 2) การจัดเตรียมข้อมูล 3) การวิเคราะห์ความรู้สึกระดับมุมมอง และ 4) การประเมินประสิทธิภาพ งานวิจัยนี้ได้ใช้แบบจำลองการเรียนรู้ของเครื่อง (Machine learning) และการเรียนรู้เชิงลึก (Deep learning) การเปรียบเทียบประสิทธิภาพในการจำแนกความคิดเห็น และประเมินประสิทธิภาพของแบบจำลอง จากค่าความแม่นยำ (Precision) ค่าความระลึก (Recall) ค่าความถ่วงดุล (F-Measure) และค่าความถูกต้อง (Accuracy) จากการทดลองพบว่า แบบจำลอง WangchanBERTa ให้ผลลัพธ์ดีที่สุดในการจำแนกความคิดเห็น
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Akram, S., Hussain, S., Toure, I. K., Yang, S., & Jalall, H. (2020). A web-based recommendation system for mobile phone products. Journal of Internet Technology, 21(4), 1003-1011.
Aung, T. T. M., & Kyaw, A. A. (2018). Sentiment analysis of the smartphone product reviews. International Journal of Electrical, Electronics and Data Communication, 6(9), 56-60.
Chauhan, G. S., Nahta, R., Meena, Y. K., & Gopalani, D. (2023). Aspect-based sentiment analysis using deep learning approaches: A survey. Computer Science Review, 49, 101152. https://doi.org/10.1016/j.cosrev.2023.101152
Gatchalee, P., Waijanya, S., & Promrit, N. (2023). Thai text classification experiment using CNN and transformer models for timely-timeless content marketing. ICIC Express Letters, 17(1), 91-101. https://doi.org/10.24507/icicel.17.01.91
Holdsworth, J., & Scapicchio, M. (2024). What is deep learning?. IBM. https://www.ibm.com/topics/deep-learning
Joshy, A., & Sundar, S. (2022). Analyzing the performance of sentiment analysis using BERT, DistilBERT, and RoBERTa. Proceedings of 2022 IEEE International Power and Renewable Energy Conference (IPRECON) (pp. 1-6). IEEE. https://doi.org/10.1109/IPRECON55716.2022.9872605
Liu, Y., Myle, O., Naman, G., Jingfei, D., Mandar, J., Danqi, C., Omer, L., Mike, L., Luke, Z., & Veselin, S. (2019). RoBERTa: A robustly optimized BERT pretraining approach. arXiv. https://arxiv.org/abs/1907.11692
Marketeer team. (2022). Thailand in 2022: Nearly the entire population has access to computers and smartphones. Marketeer Online. https://marketeeronline.co/archives/266656 (in Thai)
Nakwijit, P. (2020). Understanding BERT. Medium. https://shorturl.asia/1FleI (in Thai)
Nessessence. (2018). What is machine learning? (Beginner’s guide). Thai Programmer. https://shorturl.asia/qHE5m (in Thai)
Nguyen, Q. T., Nguyen, T. L., Luong, N. H., & Ngo, Q. H. (2020). Fine-tuning BERT for sentiment analysis of Vietnamese reviews. Proceedings of 2020 7th NAFOSTED Conference on Information and Computer Science (NICS) (pp. 302–307). IEEE. https://doi.org/10.1109/NICS51282.2020.9336188
One Man Company. (2023). BERT, RoBERTa, DistilBERT, XLNet: Which one to use?. One Man Company. http://oneman.company/2023/03/10/bert-roberta-distilbert-xlnet-which-one-to-use/
Park, G., & Kwak, M. (2020). The life cycle of online smartphone reviews: Investigating dynamic change in customer opinion using sentiment analysis. ICIC Express Letters Part B: Applications, 11(5), 509-516.
SAS. (2022). Natural language processing (NLP). SAS. https://www.sas.com/th_th/insights/analytics/what-is-natural-language-processing-nlp.html (in Thai)
Soponwattana, N. (2019). What is sentiment analysis? Medium. https://shorturl.asia/4joS6 (in Thai)
Thamrongrattanarit, A. (2017). Theory and practice of sentiment analysis using machine learning. GitHub Pages. https://attapol.github.io/compling/sentiment_analysis.html (in Thai)
Thetmuang, R., & Jirawichitchai, N. (2017). Thai sentiment analysis of product review online using support vector machine. Engineer Journal of Siam University, 18(34), 1-12. (in Thai)
Vistec-depa Thailand AI Research Institute. (2021). WangchanBERTa: Pre-trained Thai language model. Vistec-depa Thailand AI Research Institute. https://airesearch.in.th/releases/wangchanberta-pre-trained-thai-language-model/
Wang, J., Xu, B., & Zu, Y. (2021). Deep learning for aspect-based sentiment analysis. Proceedings of 2021 International Conference on Machine Learning and Intelligent Systems Engineering (MLISE) (pp. 267-271). IEEE. https://doi.org/10.1109/MLISE54096.2021.00060
