Creating a deep learning model for classifying conversation messages from a line application
Article Sidebar
Main Article Content
Abstract
This research presents a method for classify text from chat group within the Line application of the Faculty of Science, Ubon Ratchathani University, to notify only certain appropriate messages, which will help reduce the number of notifications and reduce the stress of waiting for answers from experts. The researcher evaluated the method by comparing accuracy, precision, recall, and F-measure against those of five algorithms: Random Forest, Naive Bayes, Logistic Regression, Support Vector Classification, and Deep Learning technique name Long Short-Term Memory. From the research results, it was found that the Long Short-Term Memory algorithm has the highest accuracy in text classification at 90.66%, the highest precision when classifying text that is question that experts need to answer, the highest recall when classifying general text, and the highest F-measure when classifying both types of text. The research indicates that this method can be used in other similar chat groups to improve performance in sending notifications.
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.