การวิเคราะห์เหมืองความคิดเห็นเครือข่ายเฟสบุ๊ค โดยใช้เทคนิคเหมืองข้อมูล Sentiment analysis opinion mining from Facebook Comments Using Data Mining Technique

Main Article Content

วีรศักดิ์ ฟองเงิน
สุรพงษ์ เพ็ชร์หาญ

บทคัดย่อ

ปัจจุบันลูกค้าส่วนใหญ่จะใช้อินเทอร์เน็ตในการค้นคืนข้อมูล เพื่อนำมาใช้ประกอบการตัดสินใจเลือกชื้อสินค้า ให้ได้ตรงกับความต้องการ ซึ่งวิธีที่นิยมใช้กันโดยทั่วไปคือ การตัดสินใจโดยใช้ข้อมูลจากบทวิจารณ์ของลูกค้าที่เคยชื้อสินค้าไปแล้ว แต่อย่างไรก็ตาม การเลือกสินค้าให้ได้ตรงกับความต้องการนั้น ลูกค้าจะต้องอ่านความคิดเห็นเป็นจำนวนมาก บทความนี้จึงได้ออกแบบและพัฒนาระบบสกัดความรู้แบบอัตโนมัติจากความคิดเห็นออนไลน์ของลูกค้าโดยความรู้ในการสกัดและจัดเก็บความรู้ และตัวแปลภาษามาช่วยในการวิเคราะห์เชิงความหมาย รวมทั้งพัฒนาวิธีการสรุปแยกความคิดเห็นเชิงบวกและเชิงลบ ในงานวิจัยนี้ได้นำข้อมูลจากบทวิจารณ์ออนไลน์ผ่านเฟสบุ๊คเครือข่ายสาธารณะของลูกค้ามาสกัดคำแยกความคิดเห็นเชิงบวก เชิงลบ และได้เปรียบเทียบประสิทธิภาพจากค่าความถูกต้องด้วยอัลกอริทึมนาอีฟเบย์ อัลกอริทึมการหาเพื่อนบ้านใกล้ที่สุด และอัลกอริทึมการเรียนรู้ของต้นไม้ตัดสินใจผลการศึกษา พบว่า อัลกอริทึมนาอีฟเบย์ให้ค่าความถูกต้อง 82.97% การหาเพื่อนบ้านใกล้ที่สุดให้ค่าความถูกต้อง 78.80% และอัลกอริทึมการเรียนรู้ของต้นไม้ตัดสินใจ ให้ค่าความถูกต้อง 74.89% ผู้วิจัยได้เลือกวิธีนาอีฟเบย์ มาใช้ในการพัฒนาระบบวิเคราะห์ความคิดเห็นออนไลน์และเลือกใช้ความคิดเห็นจากเครือข่ายเฟสบุ๊คลำปางเซรามิกแฟร์มาทดสอบระบบ ผลพบว่าระบบสามารถสกัดคำแยกความคิดเห็นเชิงบวกและเชิงลบตามเวลาจริงทำงานได้อย่างมีประสิทธิภาพ

Downloads

Download data is not yet available.

Article Details

การอ้างอิงบทความ
ประเภทบทความ
บทความวิจัย

เอกสารอ้างอิง

[1] Murthy D. Social communication in the twitter age. Cambridge, UK: Polity Press. 2018: 5-6
[2] Ceramic Industries Center. Ceramic Industries Development Center Department [cited 2020 Jan 3]. Available from: thaifranchisecenter.com/links/show.php?id=729 (in Thai)
[3] Taboada M, Grieve J. Analyzing Appraisal Automatically. in Proc. the AAAI Spring Symposium. 2014: 158-61.
[4] Sangers J, Frasincar F. Semantic Web service discovery using natural language processing Techniques. 2013: 4660-71
[5] Turney P. Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews, in Proc. the 40th Annual Meeting of the Association for Computational Linguistics. 2012: 417-24.
[6] Saaty T. Fundamentals of Decision Making and Priority Theory with the Analytic Hierarchy Process. (2nd edition), Pittsburgh, PA: RWS. 2014: 4-5.
[7] Hu M, Liu B., Mining and Summarizing Customer Reviews, in Proc. the 2015 ACM SIGKDD International Conference on Knowledge and Data Mining. 2015: 168-77.
[8] Zhang K, Narayanan R, Choudhary A. Mining Online Customer Reviews for Ranking Products, Technical Report, EECS department, Northwestern University. 2016.
[9] Thongjor N. Machine Learning#2 [Internet]. Babel Coder. [cited 2020 Jan 15]. Available from: https://www.babelcoder.com/blog/posts/k-nearest-neighbors (in Thai)