การประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกในการวิเคราะห์ความคิดเห็นของลูกค้า บนแพลตฟอร์มโซเซียลมีเดียในบริบทของธุรกิจออนไลน์
Article Sidebar
Main Article Content
บทคัดย่อ
โซเชียลมีเดียเป็นช่องทางหลักที่ลูกค้าใช้แสดงความคิดเห็นเกี่ยวกับผลิตภัณฑ์และบริการ ซึ่งข้อมูลเหล่านี้สามารถนำมาใช้วิเคราะห์เพื่อพัฒนากลยุทธ์ทางธุรกิจได้ อย่างไรก็ตาม การจำแนกความคิดเห็นของลูกค้าจากข้อความที่มีโครงสร้างหลากหลายและภาษาที่ไม่เป็นทางการเป็นความท้าทายสำคัญที่ต้องอาศัยเทคนิคการเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำในการวิเคราะห์ การวิจัยนี้มีมีวัตถุประสงค์ 1) เพื่อวิเคราะห์ความคิดเห็นของลูกค้าจากแพลตฟอร์มโซเซียลมีเดียและสามารถระบุและจำแนกความรู้สึกเชิงบวก เชิงลบ และเป็นกลาง 2) เพื่อประเมินประสิทธิภาพของโมเดลการเรียนรู้เชิงลึกในการวิเคราะห์ความคิดเห็นของลูกค้าจากแพลตฟอร์มโซเซียลมีเดีย การวิจัยนี้เป็นการวิจัยเชิงประยุกต์ที่ใช้เทคนิคการเรียนรู้เชิงลึกเพื่อวิเคราะห์ความคิดเห็นของลูกค้าจากแพลตฟอร์มโซเซียลมีเดีย เช่น ทวิตเตอร์และเฟซบุ๊ก โดยเริ่มต้นจากการรวบรวมข้อมูลความคิดเห็นจากลูกค้าในทั้งสองแพลตฟอร์มดังกล่าว จากนั้นทำการทำความสะอาดข้อมูล (Data Cleaning) และเตรียมข้อมูลเพื่อให้พร้อมสำหรับการวิเคราะห์ ต่อไปจะใช้โมเดลการเรียนรู้เชิงลึกในการจำแนกความคิดเห็นออกเป็นสามประเภทหลัก ได้แก่ ความรู้สึกเชิงบวก ความรู้สึกเชิงลบ และความรู้สึกเป็นกลาง การประเมินผลการทำงานของโมเดลจะใช้ตัวชี้วัดสำคัญคือ ความถูกต้อง ความแม่นยำ ความระลึก และความถ่วงดุล เพื่อประเมินประสิทธิภาพของโมเดลในการจำแนกความคิดเห็นของลูกค้า ผลการวิจัย พบว่า 1)โมเดล BERT มีความถูกต้องสูงสุดในการจำแนกความคิดเห็น โดยความถูกต้องในการจำแนกความรู้สึกเชิงบวกสูงถึง 93.0% และเชิงลบ 92.8%. โมเดล LSTM มีความถูกต้อง 89.2% แต่ยังไม่เทียบเท่าโมเดล BERT ในการจำแนกความรู้สึกเชิงบวก ส่วนโมเดล CNN มีความถูกต้อง 86.9% และมีประสิทธิภาพต่ำกว่าทั้งโมเดล BERT และโมเดล LSTM ในการจับความหมายที่ซับซ้อน 2) ผลการประเมินประสิทธิภาพของโมเดลการเรียนรู้เชิงลึกพบว่า BERT มีความถูกต้องสูงสุดที่ 92.5%, LSTM มีความถูกต้อง 88.7%, และ CNN มีความถูกต้อง 86.3% ตามลำดับ
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารการบัญชีและการจัดการ
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยมหาสารคาม และคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
เอกสารอ้างอิง
Başarslan, M. S., & Kayaalp, F. (2021). Sentiment analysis on social media reviews datasets with deep learning approach. Sakarya University Journal of Computer and Information Sciences, 4(1), 35–49.
Broklyn, P., Olukemi, A., & Bell, C. (2024). Social media sentiment analysis for brand reputation management. Available at SSRN 4906218, 1-14
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. In Advances in Neural Information Processing Systems, 33, 1877-1901.
Chaiwichit C. (2017). Creating and developing model. Silpakorn Education Research Journal, 9(1), 1-11. Retrieved January 18, 2025, from https://so05.tci-thaijo.org/index.php/suedureasearchjournal/issue/view/8124 [in Thai].
Chakraborty, K., Bhattacharyya, K., & Bag, R., (2020). A survey of sentiment analysis from social media data. IEEE Transactions on Computational Social Systems, 7(2), pp. 450-464,
Goodfellow, I., Bengio, Y., & Courville, A. (2020). Deep learning an MIT press book. MIT Press.
Hernández-Romero, I. M., Barajas-Villarruel, L. R., Flores-Tlacuahuac, A., Fuentes-Cortes, L. F., & Rico-Ramirez, V. (2023). Strategic planning for sustainable electric system operations: Integrating renewables and energy storage. Computers & Chemical Engineering, 177, 108312.
Jurafsky, D., & Martin, J. H. (2021). Speech and language processing. (3rded.), Pearson.
Kim, S. M., & Hovy, E. (2020). Determining the sentiment of opinions. Proceedings of the 20th International Conference on Computational Linguistics (COLING), 1367–1373.
Liu, B. (2020). Sentiment analysis: mining opinions, sentiments and emotions (2nd ed.). Cambridge University Press.
Messaoudi, C., Guessoum, Z., & Ben Romdhane, L. (2022). Opinion mining in online social media: a survey. In Social Network Analysis and Mining, 12(1), Springer.
Narejo, K. R., Zan, H., Dharmani, K. P., Zhou, L., Alahmadi, T. J., Sehito, N., Ghadi, Y. Y., & Assam, M. (2024). EEBERT: An emoji-enhanced BERT fine-tuning on amazon product reviews for Text sentiment classification. IEEE Access, 12, 131954- 131967.
Sun, C., Qiu, X., Xu, Y., & Huang, X. (2020). How to fine-tune BERT for text classification. Journal of Computer Science Springer, 194-206.
Venugopalan, M., & Gupta, D. (2022). An enhanced guided LDA model augmented with BERT based semantic strength for aspect term extraction in sentiment analysis. Knowledge-based systems, 246, 108668.
Wang, C., Nulty, P., & Lillis, D. (2020). A comparative study on word embeddings in deep learning for text classification. In Proceedings of the 4th international conference on natural language processing and information retrieval, 37-46.
Win Myint, P. Y., Lo, S. L., & Zhang, Y. (2024). Unveiling the dynamics of crisis events: sentiment and emotion analysis via multi-task learning with attention mechanism and subject-based intent prediction. Information Processing and Management, 61(4), 103695.
Xinjie, L., Gang, X., Gaopeng, G., Zhen, L., Junzheng, S., & Jing, Y. (2022). ET-BERT: A contextualized datagram representation with pre-training transformers for encrypted traffic classification.WWW 2022 - Proceedings of the ACM Web Conference 2022, 633–642.
Zhang, L., Wang, S., & Liu, B. (2020). Deep learning for sentiment analysis: a survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), 1328.
