คอลเล็กชัน (Collections)
พบ 3 รายการ
(ค้นหา: "Natural Language Processing")
บทความประชุมวิชาการ
ระดับนานาชาติ
BERTGRU4Sentiment: Bidirectional Encoder Representations from Transformers with Gated Recurrent Unit
This study proposes BERTGRU4Sentiment, a deep learning model that combines fine-tuned Bidirectional Encoder Representations from Transformers (BERT) with a Gated Recurrent Unit (GRU) for multilingual sentiment analysis. The proposed model is evaluated on four benchmark datasets: Wongnai (Thai), Amazon Reviews (English), Twitter/X (English), and IMDB (English), covering both three-class (negative, neutral, positive) and two-class (negative, positive) classification tasks. To address class imbalance, a mixed over- and under-sampling strategy is applied to all datasets. Results demonstrate that BERTGRU4Sentiment consistently outperforms traditional baseline models including Decision Tree, Random Forest, XGBoost, and LSTM across all datasets, achieving accuracy of 69.49% on Wongnai, 93.67% on Amazon Reviews, 71.73% on Twitter, and 83.97% on IMDB. The findings confirm that BERTGRU4Sentiment enables richer contextual feature extraction, and the proposed architecture is effective for multilingual sentiment classification tasks.
บทความประชุมวิชาการ
ระดับชาติ
Sentiment Analysis on the IMDB Dataset Using LSTM
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
วารสารวิชาการ
ระดับนานาชาติ (SCOPUS) Q2
Digital Workforce Matching: A Machine Learning Approach for Skill-Based Job Classification and Recom
This research presents an integrated machine learning approach for optimizing digital workforce matching in Thailand's evolving digital economy. The study develops a novel job recommendation system combining Natural Language Processing (NLP) with Random Forest classification to analyze job market data from Thailand's leading recruitment platforms. Using FastText for initial job classification and a Random Forest model for skill-based matching, the system achieves 75% accuracy in job recommendations across 20 digital job categories. The methodology incorporates automated skill extraction, cross-validated model comparison, and a user-friendly web interface for practical applications. Our findings reveal distinct skill clusters and job-skill relationships in Thailand's digital sector, with the Random Forest model outperforming traditional Decision Tree approaches by 4% in accuracy metrics. The system demonstrates robust performance in real-world testing, achieving 86.67% accuracy in matching previously unseen job postings. This research contributes to both theoretical understanding of skill-based job matching and practical workforce development, offering insights for curriculum development and career planning for workforce development stakeholders in Thailand's digital sector.