การเปรียบเทียบขั้นตอนวิธีแบบเบย์อย่างง่ายและซัพพอร์ตเวกเตอร์แมชชีน เพื่อพัฒนาแบบจำลองการทำนายบทวิจารณ์ร้านอาหารA Comparison of Naive Bayes and Support Vector Machine to Develop a Restaurant Review Prediction Model

Abstract

คนไทยให้ความสนใจเรื่องอาหาร เนื่องจากอาหารเป็นหนึ่งในปัจจัยสำคัญสำหรับการดำเนินชีวิตและยังเป็นส่วนหนึ่งของวัฒนธรรมไทย โดยที่ผู้บริโภคนิยมเขียนบทวิจารณ์เกี่ยวกับอาหาร เพื่อแบ่งปันประสบการณ์ของตนให้กับเพื่อนบนเครือข่ายสังคมออนไลน์ ทำให้บทวิจารณ์เกี่ยวกับอาหารและร้านอาหารมีมากมายและอยู่กันอย่างกระจัดกระจาย บทความนี้นำเสนอแบบจำลองแนะนำร้านอาหารจากบทวิจารณ์ในทวิตเตอร์ เรียกว่า ฟู้ดฟายเดอร์ โดยแบ่งระดับของบทวิจารณ์เป็น 3 ประเภท ได้แก่ บทวิจารณ์ด้านบวก เป็นกลาง และลบ แบบจำลองดังกล่าวรวบรวมบทวิจารณ์จากเครือข่ายสังคมออนไลน์ทวิตเตอร์ (เอ็กซ์) จำนวน 1,490 บทวิจารณ์ และวิเคราะห์ข้อมูลโดยใช้ขั้นตอนวิธีแบบนาอีฟเบย์ เปรียบเทียบกับขั้นตอนวิธีแบบซัพพอร์ตเวกเตอร์แมชชีน ผลที่ได้พบว่า ค่าความถูกต้องในการทำนายประเภทของบทวิจารณ์ด้วยวิธีแบบซัพพอร์ตเวกเตอร์แมชชีนได้รับค่าความถูกต้องร้อยละ 82.89 ซึ่งมากกว่าวิธีนาอีฟเบย์ ที่ได้รับค่าความถูกต้องร้อยละ 80.20 และเมื่อทดสอบกับข้อมูลใหม่พบว่า แบบจำลองด้วยวิธีแบบซัพพอร์ตเวกเตอร์แมชชีนได้รับค่าความถูกต้อง ร้อยละ 80.87 ส่วนวิธีนาอีฟเบย์ได้รับค่าความถูกต้อง ร้อยละ 78.86 นอกจากนั้น บทความนี้ยังได้นำเสนอการวิเคราะห์ข้อมูลโดยการนับจำนวนคำ แฮชแท็ก และสัญลักษณ์ที่ปรากฏในบทวิจารณ์โดยการนับความถี่ เพื่อเพิ่มความถูกต้องในการทำนายประเภทบทวิจารณ์

Thai people are interested in food because it is one of the important factors for living. It is also a part of the Thai Culture. Consumers usually write reviews about it to share their experiences with friends on social networks. This has resulted in numerous and sparse reviews about food and restaurants. This article presents a restaurant recommendation model based on reviews in Twitter (X), called FoodFinder. The reviews are divided into three categories i.e. positive, neutral, and negative reviews. The model collected 1,490 reviews from the social network, Twitter. The data were analyzed by Naive Bayes compared with the Support Vector Machine. The results indicated that the prediction accuracy of review category with the Support Vector Machine was 82.89 percent, which was higher than that of Naive Bayes that obtained 80.20 percent. Testing with unseen data revealed that model with Support Vector Machine method obtained 80.87 percent of accuracy, while Naïve Bayes obtained 78.86 percent of accuracy. In addition, this article also presents a data analysis by counting the number of words, hashtags and symbols that are appeared in the reviews with TF-IDF to increase the accuracy of review category prediction.