กระบวนการคัดเลือกคุณลักษณะสำหรับเพิ่มประสิทธิภาพในการจำแนกความคิดเห็นของลูกค้า
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อค้นหาเทคนิคคัดเลือกคุณลักษณะเพื่อเพิ่มประสิทธิภาพของการจำแนกความคิดเห็นของลูกค้าเกี่ยวกับร้านอาหาร ข้อมูลถูกเก็บรวบรวมจากเว็บไซต์ wongnai.com จำนวนทั้งหมด 4,487 ข้อความ คณะผู้วิจัยได้นำเอาเทคนิค 3 เทคนิคในการคัดเลือกคุณลักษณะของข้อความ คือ Chi-Square, Information Gain และ Information Gain Ratio ในการวัดประสิทธิภาพของเทคนิคคัดเลือกคุณลักษณะเทคนิค Naive Bayes เทคนิค Support Vector Machine เทคนิค K-Nearest Neighbor และ C4.5 มาใช้ในการจำแนก ยิ่งไปกว่านั้น 10-fold Cross Validation ได้ถูกนำมาใช้ในการแบ่งกลุ่มข้อมูลเป็น ชุดข้อมูลเรียนรู้ และวัดค่าความถูกต้อง ค่าความแม่นยำ และค่าความระลึก จากการทดลองพบว่าเทคนิคการคัดเลือกคุณลักษณะแบบ Information Gain ร่วมกับเทคนิค Naive Bayes ให้ผลที่ดีที่สุดในการจำแนกความคิดเห็น โดยให้ค่าความถูกต้อง 89.08 % ค่าความแม่นยำ 89.12 % และค่าความระลึก 89.10 %
Article Details
เอกสารอ้างอิง
Laowsungsuk, P., Jinda, A., and Sitthisarn, S. (2017). Sentiment Analysis of Restaurant Reviews on Review Web Sites. Thaksin University Journal. Vol. 20, No. 1, pp. 39-47
Srisuan, J. and Hanskunatai, A. (2014). An Application of Hotel Searching Based on Opinion Mining. In The 10th National Conference on Computing and Information Technology (NCCIT 2014). Faculty of Information Technology, King Mongkut’s University of Technology North Bangkok. pp. 95-100
Chotnasiaw, P., Songpan, W., Arch-int, S., and Saiyod, S. (2017). Analysis of Affecting Factors to Customer Reviews using Opinion Mining. In The 13th National Conference on Computing and Information Technology (NCCIT2017). Arnoma Grand Bangkok Hotel, Bangkok. pp. 44-50
Shah, F. P. and Patel, V. (2016). A Review on Feature Selection and Feature Extraction for Text Classification. In International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET). pp. 2264-2268. DOI: 10.1109/WiSPNET.2016.7566545
Haruechaiyasak, C., Jitkrittum, W., Sangkeettrakarn, C., and Damrongrat, C. (2008). Implementing News Article Category Browsing Based on Text Categorization Technique. In Proceedings of the 2008 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology. Vol. 3, pp. 143-146. DOI: 10.1109/WIIAT.2008.61
Nuipian, V. and Meesad, P. (2013). A Comparison of Filter and Wrapper Approaches with Text Mining for Text Classification. The Journal of Industrial Technology. Vol. 9, No. 3, pp. 118-129
Marknakorn, N. (2013). Comparison of Feature Selection Methods for Inappropriate Webpage Classification by Data Mining Technique. Master of Science, Information Technology, King Mongkut’s University of Technology North Bangkok.
Thetmueang, R. and Jirawichitchai, N. (2017). Thai Sentiment Analysis of Product Review Online Using Support Vector Machine. Engineering Journal of Siam University. Vol. 18, Issue 1, No. 34, pp. 1-12
Pinmuang, N. and Thongkam, J. (2018). Classifying Thai Opinions on Online Media using Text Mining. Journal of Science and Technology Mahasarakham University. Vol. 37, No. 3, pp. 372-379
Tipsena, R., Jareanpon, C., and Somprasertsri, G. (2013). Automatic Question Classification on Webboard Using Text Mining Techniques. Journal of Science and Technology Mahasarakham University. Vol. 33, No. 5, pp. 493-502
Phopli, W., Boonmatham, S., and Meesad, P. (2017). Ensemble Feature Selection for Sparse Data. In The 13th National Conference on Computing and Information Technology (NCCIT2017). Arnoma Grand Bangkok Hotel, Bangkok. pp. 373-378
Saengsiri, P., Meesad, P., Wichian, S. N., and Herwig, U. (2010). Comparison of Hybrid Feature Selection Models on Gene Expression Data. In 2010 Eighth International Conference on ICT and Knowledge Engineering. pp. 13-18. DOI: 10.1109/ICTKE.2010.5692905
Buathong, W. (2014). Efficiency Improvement of Dimension Reduction by Feature Selection Methods for Data Classification. Master of Science, Information Technology, King Mongkut’s University of Technology North Bangkok
Pukkhem, N., Junmanee, C., and Ouisui, S. (2017). Automatic Thai Folk Wisdom Classification using Data Mining Approach. Thaksin University Journal. Vol. 20, No. 3, Special Issue 2017, pp. 300-307
Samal, B., Behera, A. K., and Panda, M. (2017). Performance Analysis of Supervised Machine Learning Techniques for Sentiment Analysis. In IEEE 3rd International Conference on Sensing, Signal Processing and Security. pp. 128-133
Kongthon, A., Haruechaiyasak, C., Pailai, J., and Kongyoung, S. (2012). The Role of Twitter During a Natural Disaster: Case Study of 2011 Thai Flood. In 2012 Proceedings of Technology Management for Emerging Technologies (PICMET). Vol. 12, pp. 2227-2232
Kaewta, C. and Mahawirawat, A. (2010). Diagnosis of Cases by Decision Tree Techniques. In National Conference on Information Technology (NCIT2010). The Grand Ayudhaya Hotel, Bangkok. pp. 308-313
Hossain, F. M. T., Hossain, M. I., and Nawshin, S. (2017). Machine Learning Based Class Level Prediction of Restaurant Reviews. In 2017 IEEE Region 10 Humanitarian Technology Conference (R10-HTC). pp. 420-423. DOI: 10.1109/R10-HTC.2017.8288989
