การสร้างแบบจำลองโดยใช้การเรียนรู้เชิงลึก เพื่อจำแนกข้อความการสนทนาจากแอปพลิเคชันไลน์
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้นำเสนอวิธีการจำแนกข้อความจากกลุ่มแชทในแอปพลิเคชันไลน์ของคณะวิทยาศาสตร์ มหาวิทยาลัยอุบลราชธานี เพื่อแจ้งเตือนเฉพาะบางข้อความที่เหมาะสม ซึ่งจะช่วยลดจำนวนการแจ้งเตือนไปยังผู้เชี่ยวชาญ การทดลองการทำนายด้วยการเปรียบเทียบ 5 อัลกอริทึม ดังนี้ อัลกอริทึม Random Forest อัลกอริทึม Naïve Bayes อัลกอริทึม Logistic Regression อัลกอริทึม Support Vector Classification และเทคนิคการเรียนรู้เชิงลึก อัลกอริทึม Long Short-Term Memory จากผลการวิจัยพบว่าอัลกอริทึม Long Short-Term Memory มีค่าความถูกต้องในการจำแนกมากที่สุดเท่ากับร้อยละ 90.66 มีค่าความแม่นยำและค่าความถ่วงดุลมากที่สุด เมื่อจำแนกข้อความประเภทข้อความเฉพาะเจาะจงหรือคำถามที่ต้องการผู้เชี่ยวชาญ มีค่าความระลึกและค่าความถ่วงดุลมากที่สุดเมื่อจำแนกข้อความประเภทข้อความทั่วไป การวิจัยชี้ให้เห็นว่าวิธีนี้สามารถนำไปใช้กับการแชทกลุ่มอื่นที่คล้ายคลึงกัน เพื่อปรับปรุงประสิทธิภาพในการส่งการแจ้งเตือน
Article Details
References
มุกตา หมานเหม, สิทธิพงค์ ด่ล๊ะ, สารภี จุลแก้ว, และสุภาวดี มากอ้น. (2563). โมเดลสำหรับจำแนกความรู้สึกของความคิดเห็นโดยใช้เทคนิคต้นไม้ตัดสินใจกรณีศึกษา เว็บไซต์จองโรงแรม. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏสงขลา, 2(1), 69-79.
วสวัตติ์ อินทร์แปลง, จารี ทองคำ. (2563). การวิเคราะห์ความคิดเห็นต่อเกมมือถือพับจีด้วยเหมืองข้อความ. วารสารวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยมหาสารคาม, 39(5), 523-531.
ศรัญญา กาญจนวัฒนา, อัษฎายุธ จารัตน์ และปัญญ์ ชลีปราณีตพลกรัง. (2565). การจำแนกอารมณ์ของมนุษย์จากการรู้จำเสียงพูดโดยใช้การเรียนรู้เชิงลึก. วารสารวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยราชภัฏศรีสะเกษ, 2(2), 1-11.
อิทธิศักดิ์ ศรีดำ. (2565). ระบบการจัดหมวดหมู่ข้อคิดเห็นและข้อเสนอแนะของประชาชนที่มีต่อโครงการของรัฐโดยวิธีปัญญาประดิษฐ์. วารสารวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยมหาสารคาม, 41(3), 134-141.
Antipov, E. & Pokryshevskaya, E. (2010). Applying CHAID for logistic regression diagnostics and classification accuracy improvement. Journal of Targeting, Measurement and Analysis for Marketing, 18(2), 109–117.
Bui, D. T. & Tsangaratos, P. & Nguyen, V. T. & Van Liem, N., & Trinh, P. T. (2020). Comparing the prediction performance of a Deep Learning Neural Network model with conventional machine learning models in landslide susceptibility assessment. Catena, 188, 104426.
Chawla, N. V. & Bowyer, K. W. & Hall, L. O. & Kegelmeyer, P. W. (2002). SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357.
Cortes, C. & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273-297.
Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), pp. 217–222.
Phatthiyaphaibun, W., Chaovavanich, K., Polpanumas, C., Suriyawongkul, A., Lowphansirikul, L., & Chormai, P. (22 january 2023). PyThaiNLP: Thai natural language processing in Python. https://pythainlp.github.io/docs/3.1/
Rish, I. (2001). An empirical study of the naive Bayes classifier. Proceedings of the International Joint Conference on Artificial Intelligence, 3(22), 41–46.
Schmidhuber, J. & Hochreiter, S. (1997). Long short-term memory. Neural Comput, 9(8), 1735-1780.