การจำแนกความพึงพอใจบนหลักการของการถ่วงน้ำหนักคำด้วยคลาสมิวชวลอินฟอร์เมชัน
Article Sidebar
Main Article Content
บทคัดย่อ
การพัฒนาอย่างรวดเร็วของเทคโนโลยีสารสนเทศและแพลตฟอร์มออนไลน์ทำให้การสั่งชื้อสินค้าผ่านระบบออนไลน์จึงเป็นที่นิยม ในปัจจุบันนี้เนื้อหาหรือข้อความของการโพสต์ของลูกค้าจึงมีความสำคัญต่อผู้ผลิตสินค้าในการปรับปรุงคุณภาพของสินค้าให้ตรงกับความต้องการของลูกค้า การวิเคราะห์ความพึงพอใจจากข้อความถือว่าเป็นกระบวนการอย่างหนึ่งของการประมวลผลภาษาธรรมชาติที่สามารถใช้ในการวิเคราะห์เพื่อสะท้อนความรู้สึกและทัศนคติของผู้ใช้ที่มีต่อสินค้าเชิงอารมณ์ได้ทั้งด้านบวกหรือลบ งานวิจัยทางด้านการจำแนกประเภทความพึงพอใจและการจำแนกประเภทเอกสารโดยส่วนใหญ่จะนิยมใช้การกำหนดค่าน้ำหนักคำ ด้วยค่าความถี่เอกสารผกผัน (idf) อย่างไรก็ตามการกำหนดค่าน้ำหนักคำด้วยค่าความถี่เอกสารผกผันอย่างเดียวอาจจะมีประสิทธิภาพไม่เพียงพอในการจำแนกประเภทความพึงพอใจเนื่องจากค่าน้ำหนักนี้ไม่ได้พิจารณามุมมองการจำแนกประเภทข่าวประกอบด้วย งานวิจัยนี้จึงนำ
เสนอการปรับค่าน้ำหนักคำแบบมีผู้สอนด้วยการนำค่ามิวชวลอินฟอร์เมชันของคลาสคำนวณร่วมกับความถี่ของคำและความถี่เอกสารผกผัน ผลการทดลองแสดงให้เห็นว่าวิธีการที่นำเสนอมีประสิทธิภาพที่ดีกว่าการแจกแจงเทอมและการกำหนดค่าน้ำหนักคำด้วยค่า
ความถี่เอกสารผกผันอย่างเดียว เมื่อพิจารณาจากค่าตัวชี้วัดประสิทธิภาพ: ค่าความถูกต้อง, ค่าความแม่นยำ, ค่าความระลึก และค่าความถ่วงดุล
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
References
O. Gokalp, E. Tasci, and A. Ugur, “A novel wrapper feature selection algorithm based on iterated greedy metaheuristic for sentiment classification,” Expert Syst. Appl., vol. 146, May 2020, Art. no. 113176.
W. Medhat, A. Hassan, and H. Korashy, “Sentiment analysis algorithms and applications: A survey,” Ain Shams Eng. J., vol. 5, no. 4, pp. 1093–1113, Dec. 2014.
D. M. E.-D. M. Hussein, “A survey on sentiment analysis challenges,” J. King Saud Univ. – Eng. Sci., vol. 30, no. 4, pp. 330–338, Oct. 2018.
G. Wang, J. Sun, J. Ma, K. Xu, and J. Gu, “Sentiment classification: The contribution of ensemble learning,” Decis. Support Syst., vol. 57, pp. 77–93, Jan. 2014.
J. Chen, J. Yu, S. Zhao, and Y. Zhang, “User’s review habits enhanced hierarchical neural network for document-level sentiment classification,” Neural Process. Lett., vol. 53, pp. 2095–2111, Apr. 2021.
G. Wang, Z. Zhang, J. Sun, S. Yang, and C. A. Larson, “POS-RS: A random subspace method for sentiment classification based on part-of-speech analysis,” Inf. Process. Manage., vol. 51, no. 4, pp. 458–479, Jul. 2015.
C. Yang, X. Chen, L. Liu, and P. Sweetser, “Leveraging semantic features for recommendation: Sentence-level emotion analysis,” Inf. Process. Manage., vol. 58, no. 3, May 2021, Art. no. 102543.
R. K. Yadav, L. Jiao, O.-C. Granmo, and M. Goodwin, “Human-level interpretable learning for aspect-based sentiment analysis,” in Proc. 35th AAAI Conf. Artif. Intell. (AAAI-21), Palo Alto, CA, USA, Feb. 2021, pp. 14203–14212.
V. Lertnattee and T. Theeramunkong, “Effect of term distributions on centroid-based text categorization,” Inf. Sci., vol. 158, pp. 89–115, Jan. 2004.
U. Buatoom, W. Kongprawechnon, and T. Theeramunkong, “Improving seeded k-means clustering with deviation- and entropy-based term weightings,” IEICE Trans. Inf. Syst., vol. E103–D, no. 4, pp. 748–758, Apr. 2020.
H. Liu, X. Chen, and X. Liu, “A study of the application of weight distributing method combining sentiment dictionary and TF-IDF for text sentiment analysis,” IEEE Access, vol. 10, pp. 32280–32289, 2022, doi: 10.1109/ACCESS.2022.3160172.
I. Almalis, E. Kouloumpris, and I. Vlahavas, “Sector-level sentiment analysis with deep learning,” Knowl.-Based Syst., vol. 258, 2022, Art. no. 109954.
Y. Dang, Y. Zhang, and H. Chen, “A lexicon-enhanced method for sentiment classification: An experiment on online product reviews,” IEEE Intell. Syst., vol. 25, no. 4, pp. 46–53, 2010.
S. Foithong, O. Pinngern, and B. Attachoo, “Feature subset selection wrapper based on mutual information and rough sets,” Expert Syst. Appl., vol. 39, no. 1, pp. 574–584, 2012.
A. K. Paul and P. C. Shill, “Sentiment mining from Bangla data using mutual information,” in Proc. 2nd Int. Conf. Elect., Comput. & Telecommun. Eng. (ICECTE), Rajshahi, Bangladesh, Dec. 2016, pp. 1–4.
X. -Y. Jiang and J. Shui, “An improved mutual information-based feature selection algorithm for text classification,” in Proc. 5th Int. Conf. Intell. Human-Mach. Syst. and Cybernetics, Hangzhou, China, Aug. 2013, pp. 126–129.
A. Bagheri, M. Saraee, and F. de Jong, “Sentiment classification in Persian: Introducing a mutual information-based method for feature selection,” in Proc. 21st Iranian Conf. Elect. Eng. (ICEE), Mashhad, Iran, May 2013, pp. 1–6.
J. M. Sanchez-Gomez, M. A. Vega-Rodríguez, and C. J. Pérez, “The impact of term-weighting schemes and similarity measures on extractive multi-document text summarization,” Expert Syst. Appl., vol. 169, May 2021, Art. no. 114510.
V. Lertnattee and T. Theeramunkong, “Multidimensional text classification for drug information,” IEEE Trans. Inf. Technol. Biomed., vol. 8, no. 3, pp. 306–312, Sep. 2004, doi: 10.1109/TITB.2004.832542.
U. Buatoom, W. Kongprawechnon, and T. Theeramunkong, “Document clustering using k-means with term weighting as similarity-based constraints,” Symmetry, vol. 12, no. 6, p. 967, 2020.
M. Lan, C. L. Tan, J. Su, and Y. Lu, “Supervised and traditional term weighting methods for automatic text categorization,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 4, pp. 721–735, Apr. 2009.
Z. Feng, H. Zhou, Z. Zhu, and K. Mao, “Tailored text augmentation for sentiment analysis,” Expert Syst. Appl., vol. 205, Nov. 2022, Art. no. 117605.
H. Zhao, Z. Liu, X. Yao, and Q. Yang, “A machine learning-based sentiment analysis of online product reviews with a novel term weighting and feature selection approach,” Inf. Process. Manage., vol. 58, no. 5, Sep. 2021, Art. no. 102656.
I. Chaturvedi, E. Cambria, R. E. Welsch, and F. Herrera, “Distinguishing between facts and opinions for sentiment analysis: Survey and challenges,” Inf. Fusion, vol. 44, pp. 65–77, 2018.
D. Kotzias, M. Denil, N. D. Freitas, and P. Smyth, “From group to individual labels using deep features,” in Proc. ACM SIGKDD Int. Conf. Knowl. Discovery and Data Mining, Sydney, Australia, Aug. 2015, pp. 597–606.