การวิเคราะห์ข้อมูลขนาดใหญ่สำหรับการท่องเที่ยว กรณีศึกษาการท่องเที่ยวในจังหวัดอุบลราชธานี
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อรวบรวมและวิเคราะห์อารมณ์และความรู้สึกจากข้อความของนักท่องเที่ยว จากสถานที่ท่องเที่ยวในจังหวัดอุบลราชธานีที่อยู่ในสื่อสังคมออนไลน์ 2) เพื่อศึกษาประสิทธิภาพของอัลกอริทึมในการวิเคราะห์อารมณ์และความรู้สึก โดยการประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึก และ 3) เพื่อพัฒนาเว็บแอ็ปพลิเคชัน ซึ่งพัฒนาขึ้นด้วยภาษาไพทอน แล้วนำเสนอด้วย ไมโครซอฟต์ พาวเวอร์ บีไอ เดสก์ท็อป โดยการวิจัยครั้งนี้ได้รวบรวมข้อมูลความคิดเห็นของนักท่องเที่ยวจากสื่อสังคมออนไลน์ จำนวนทั้งหมด 16,950 ความคิดเห็นที่มีต่อสถานที่ท่องเที่ยวในจังหวัดอุบลราชธานี จำนวน 26 แห่ง โดยข้อมูลความคิดเห็นที่รวบรวมได้จะถูกแบ่งออกเป็น 2 ส่วน เพื่อใช้ในการสร้างโมเดลการจำแนกอารมณ์และความรู้สึก จำนวน 13,560 ข้อมูล และเพื่อใช้ในการทดสอบโมเดล จำนวน 3,390 ข้อมูล ผลการทดสอบประสิทธิภาพของอัลกอริทึมโครงข่ายประสาทแบบคอนโวลูชัน เมื่อวิเคราะห์อารมณ์และความรู้สึกต่อสถานที่ท่องเที่ยวออกเป็น 2 ระดับ มีค่าความถูกต้อง เท่ากับ 98% และมีค่าความถูกต้อง เท่ากับ 42% เมื่อวิเคราะห์อารมณ์และความรู้สึก 5 ระดับ
Article Details
บทความที่ได้รับการตีพิมพ์ในวารสารฯ ท้ังในรูปแบบของรูปเล่มและอิเล็กทรอนิกส์เป็นลิขสิทธิ์ของวารสารฯ
References
Voice TV. Thailand’s tourism revenue reached rank 4 of the world [Internet]. 2018 [cited 2019 January 28]. Available from: https://voicetv.co.th/read/B3S3lm0of
Office of the Permanent Secretary, Ministry of Tourism and Sport. Important tourism situation summary in Q4 of 2016. Tourism Economic Review. 2016; 4(4): 17. (in Thai)
Laney D. 3D Data Management: Controlling Data Volume, Velocity and Variety [Internet]. 2012 [cited 2018 December 9]. Available from: https://blogs.gartner.com/doug-laney/ files/2012/
/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf
The Apache Software Foundation. Apache Hadoop [Internet]. [cited 2018 December 9]. Available from: http://hadoop.apache.org/
Zhang X, LeCun Y. Text understanding from Scratch [Internet]. 2016 [cited 2018 December 9]. Available from: ArXiv:1502.01710v5 [cs.LG]
LeCun Y, Bottou L, Bemgio Y, Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE. 1998; 86(11): 2278–324.
LeCun Y, Boser BE, Denker JS, Henderson D, Howard RE, Hubbard WE, Jackel LD. Handwritten digit recognition with a back-propagation network. In Touretzky DS, editor. Advances in Neural Information Processing Systems 2 (NIPS 1989); 1989 November 27-30; Denver Colorado, USA. Morgan Kaufmann; 1990. p. 396-404
NECTEC. Pop S-Sense [Internet]. [cited 2018 May 08]. Available from: http://pop.ssense.in.th
NECTEC. S-Sense Tourism [Internet]. [cited 2018 May 08). Available from: http://ssense.in.th/tourism
Kim Y. Convolutional neural networks for sentence classification. Proceeding of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP); 2014 October
-29; Doha, Qatar. Association for Computational Linguistics; 2014. p. 1746-51.
Mikolov T, Sutskever I, Chen K, Corrado GS, Dean J. Distributed representations of words and phrases and their compositionality. In Burges CJC, Bottou L, Welling M, Ghahramani Z, Weinburger KQ, editors. Neural information processing systems 2013 (NIPS 2013); 2013 December 5-8; Lake Tahoe, Nevada, United States. Neural information processing systems Foundation, Inc.; 2013. p. 3111–9.