การวิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB ด้วยโครงข่ายประสาทเทียมแบบ LSTM
จำนวนผู้เข้าชม
35
Creative Commons License
ยังไม่มีไฟล์เอกสาร
| Collection | RMUTK Research Repository (RMUTK IR) บทความประชุมวิชาการ — Proceedings |
| ID RMUTK Digital | RMUTK000069 |
| Title | การวิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB ด้วยโครงข่ายประสาทเทียมแบบ LSTM |
| Alternative title | Sentiment Analysis on the IMDB Dataset Using LSTM |
| Authors | ผศ.ดร.นิกร กรรณิกากลาง ผู้แต่งหลัก |
| Faculty | คณะบริหารธุรกิจ |
| Volume / Issue / Pages | pp.3414-3423 |
| Conference | การจัดการในยุคเทคโนโลยีนำการเปลี่ยนแปลง ครั้งที่ 8 ประจำปี 2569 (MDTE 2026) |
| Conference Date | 2026-04-24 |
| Conference Location | วิทยาลัยนวัตกรรมการจัดการ มหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ (รูปแบบออนไลน์) |
| Year | 2569 |
| Level | ระดับชาติ |
| DOI | - |
| ISBN / ISSN | 978-616-8387-16-0 |
| Funding Source | มทร.กรุงเทพ |
| Abstract | งานวิจัยนี้มีวัตถุประสงค์หลักเพื่อ (1) วิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB Large Movie Review Dataset ด้วยโครงข่ายประสาทเทียมแบบ Long Short-Term Memory (LSTM) และ (2) เปรียบเทียบ ประสิทธิภาพการวิเคราะห์ความรู้สึกระหว่างโมเดล LSTM กับเทคนิคพื้นฐาน ได้แก่ Decision Tree และ Random Forest โดยดำเนินการเก็บข้อมูลจาก IMDB Large Movie Review Dataset ซึ่งเป็นชุดข้อมูลรีวิว ภาพยนตร์ภาษาอังกฤษ และประยุกต์ใช้เทคนิคการประมวลผลภาษาธรรมชาติ (Natural Language Processing) ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียมแบบ LSTM สามารถจำแนกความรู้สึกจากรีวิวภาพยนตร์ที่มีความ ซับซ้อนเชิงบริบทได้อย่างมีประสิทธิภาพ โดยสามารถจัดกลุ่มความคิดเห็นเชิงบวกและเชิงลบได้อย่างเป็นระบบ และ (2) จากการเปรียบเทียบประสิทธิภาพพบว่า โมเดล LSTM ให้ประสิทธิภาพสูงสุด โดยมีค่าความถูกต้อง แม่นยำ (Accuracy) เท่ากับ 0.8945 รองลงมา คือ Random Forest (Accuracy = 0.8519) และ Decision Tree (Accuracy = 0.7226) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่ายประสาทเทียมที่สามารถเรียนรู้ ความสัมพันธ์เชิงลำดับ (Sequential Data) เช่น LSTM มีความเหมาะสมในการวิเคราะห์ข้อมูลข้อความที่มีความ ยาวและบริบทต่อเนื่องมากกว่าเทคนิคพื้นฐาน ซึ่งสามารถนำไปต่อยอดในการพัฒนาระบบแนะนำภาพยนตร์และ เครื่องมือวิเคราะห์ทัศนคติผู้บริโภคในอุตสาหกรรมสื่อดิจิทัลต่อไป |
| Abstract (EN) | The primary objectives of this study are (1) to perform sentiment analysis on the IMDB Large Movie Review Dataset using a Long Short-Term Memory (LSTM) neural network and (2) to compare the classification performance of the LSTM model with baseline machine learning techniques, namely Decision Tree and Random Forest. The dataset consists of Englishlanguage movie reviews obtained from the IMDB Large Movie Review Dataset, and Natural Language Processing (NLP) techniques were applied for text preprocessing and feature preparation. The findings reveal that (1) the LSTM model effectively classifies sentiments in movie reviews characterized by contextual complexity, accurately distinguishing between positive and negative opinions in a structured manner. Furthermore, (2) the comparative performance evaluation demonstrates that the LSTM model achieved the highest accuracy of 0.8945, followed by Random Forest (Accuracy = 0.8519) and Decision Tree (Accuracy = 0.7226), respectively. The results indicate that neural network architectures capable of learning sequential dependencies, such as LSTM, are more suitable for analyzing long-form textual data with continuous contextual information than traditional baseline techniques. These findings provide valuable insights for the development of movie recommendation systems and consumer sentiment analysis tools in the digital media industry. |
| Keywords (TH) | การวิเคราะห์ความคิดเห็นรีวิวภาพยนตร์การทำเหมืองความคิดเห็น |
| Keywords (EN) | Sentiment analysismovie reviewsopinion mining |
| Access Level | Open Access (เปิดสาธารณะ) |
เอกสารดิจิทัล
ยังไม่มีไฟล์เอกสาร
รายการที่เกี่ยวข้อง
การพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์
ผศ.สุรเทพ แป้นเกิด · 2569 · 1,069
GraphBERT4FakeNews: Graph-aware Bidirectional Transformer Learning for
ผศ.ดร.นิกร กรรณิกากลาง · 2569 · 769
Professional Competency for it Outsourcing: Thai Banking Experience
ผศ.ดร.ณัฐรฐนนท์ กานต์รวีกุลธนา · 2559 · 744
การผลิตไฟฟ้าจากหม้อไอน้ำขนาดเล็ก
ดร.ปฏิพงษ์ เจริญเวียงเหนือ · 2569 · 685