การจำแนกความคิดเห็นการใช้บริการร้านอาหารบนเครือข่ายสังคมออนไลน์ ในจังหวัดอุบลราชธานีด้วยเทคนิคเหมืองข้อความคิดเห็น
คำสำคัญ:
เหมืองข้อความ, การเรียนรู้ของเครื่อง, การเรียนรู้เชิงลึก, , ธุรกิจร้านอาหารบทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อวัดประสิทธิภาพการจำแนกความคิดเห็นบนเครือข่ายสังคมออนไลน์เฟสบุ๊คของผู้ใช้บริการร้านอาหารในจังหวัดอุบลราชธานี โดยใช้เทคนิคเหมืองข้อความในการจำแนกความคิดเห็นออกเป็น เชิงบวก (Positive) และเชิงลบ (Negative) เพื่อการเปรียบเทียบประสิทธิภาพในการจำแนกข้อความ งานวิจัยนี้ได้เลือก 5 อัลกอริทึม ที่ได้รับความนิยมในการจำแนกประเภทข้อความ ได้แก่ Support Vector Machine (SVM) Naïve-Bayes (NB) Decision Tree (DT) K-Nearest Neighbor (KNN) และ Long Short-term Memory (LSTM) ซึ่งจากผลการทดลองพบว่าอัลกอริทึมที่ให้ประสิทธิภาพในการจำแนกสูงที่สุดคือ DT ได้ค่าความถูกต้องเท่ากับ 89.00 เปอร์เซ็นต์ และเมื่อพิจารณาประสิทธิภาพในการจำแนกข้อความโดยรวมด้วยค่าประสิทธิภาพโดยรวม (F-measure) อัลกอริทึมที่ให้ประสิทธิภาพสูงที่สุดคือ SVM ได้ค่าประสิทธิภาพการจำแนกโดยรวมเท่ากับ 90.46 เปอร์เซ็นต์
References
วาทิตย์ คำพรมมา จักรชัย โสอินทร์ และเพชร อิ่มทองคำ. (2562). แบบจำลองการวิเคราะห์ความรู้สึกแบบผสมสำหรับความคิดเห็นต่อโรงแรมในประเทศไทยโดยใช้ K-means และ K-NN. ใน เยาวเรศ
ศิริสถิตย์กุล, การประชุมวิชาการระดับชาติสารสนเทศศาสตร์วิชาการ 2019 (1-14). นครศรีธรรมราช: มหาวิทยาลัยวลัยลักษณ์.
Bell, J. (2015). Machine Learning: Hands-On for Developers and Technical Professionals.
(3rd ed.). New Jersey: John Wiley & Sons.
Chaturvedi, I. et al. (2018). Distinguishing between Facts and Opinions for Sentiment Analysis: Survey and Challenges. Information Fusion, 44, 65-77.
Haque, T. U. et al. (2018). Sentiment Analysis on Large Scale Amazon Product Reviews. In 2018 IEEE International Conference on Innovative Research and Development (ICIRD)
(1-6). Bangkok: IEEE.
Halibas, A. S. et al. (2018). Application of Text Classification and Clustering of Twitter Data for Business Analytics. In 2018 Majan International Conference (MIC) (1-7). Muscat: IEEE.
Hofmann, M. & Chisholm, A. (2016). Text Mining and Visualization Case Studies Using Open-Source Tools. Florida: CRC Press.
Limkonchotiwat, P. et al. (2021). Handling Cross and Out-of-Domain Samples in Thai Word Segmentation. Findings of the Association for Computational Linguistics: ACL-IJCNLP 2021 (1003-1016). Bangkok: Association for Computational Linguistics.
Ramanathan, V. & Meyyappan, T. (2019). Twitter Text Mining for Sentiment Analysis on People’s Feedback about Oman Tourism. In 2019 4th MEC International Conference on Big Data and Smart City (ICBDSC) (1-5). Muscat: IEEE.
Downloads
เผยแพร่แล้ว
ฉบับ
บท
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ตีพิมพ์ในวารสาร เป็นงานเขียนของนักวิจัยหรือนักวิชาการแต่ละท่านโดยเฉพาะ มิใช่ความเห็นและความรับผิดชอบใดๆ ของกองบรรณาธิการวารสารการจัดการและการพัฒนา มหาวิทยาลัยราชภัฏอุบลราชธานี
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารฯ ถือเป็นลิขสิทธิ์ของวารสารการจัดการและการพัฒนา มหาวิทยาลัยราชภัฏอุบลราชธานี หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะต้องทำการอ้างอิงมายังวารสาร
