การศึกษาอัลกอริทึมสำหรับระบบแนะนำรายการอาหารและเครื่องดื่มบนชุดข้อมูลภาษาไทยThe Study of Algorithms for Food and Beverage Recommendation System on Thai Language Dataset

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาอัลกอริทึมที่เหมาะสมสำหรับการสร้างระบบแนะนำรายการอาหารตามรสนิยมความชื่นชอบของผู้บริโภคจากชุดข้อมูลภาษาไทยเนื่องจากการได้รับอาหารที่เหมาะสมจะส่งผลให้ผู้บริโภคมีความสุขเกิดความรู้สึกเชิงบวกและมีสุขภาพที่ดีนอกจากนั้นในมิติของธุรกิจร้านอาหารระบบแนะนำยังสามารถช่วยเสริมสร้างความพึงพอใจ ความจงรักภักดีของลูกค้าและลดระยะเวลาในการตัดสินใจสั่งซื้อ ซึ่งในงานนี้ผู้วิจัยทำการศึกษาเชิงสำรวจจากอัลกอริทึมการแนะนำอาหารที่มีความโดดเด่น 2 ประเภท ได้แก่ เทคนิคการกรองแบบอิงเนื้อหาและเทคนิคการกรองแบบมีส่วนร่วมซึ่งผลของการศึกษาจะแสดงให้เห็นลักษณะเฉพาะของแต่ละวิธีการ สำหรับเทคนิคการกรองแบบอิงเนื้อหาผู้วิจัยได้ประยุกต์เทคนิค Bag-of-Words (BoW) และ TF-IDF ร่วมกับการหาความคล้ายคลึงแบบโคไซน์ (Cosine Similarity) และมากไปกว่านั้นงานวิจัยนี้พบว่า BoW จะสามารถแนะนำรายการอาหารโดยทั่วไปได้มากกว่า TF-IDF เล็กน้อย สำหรับเทคนิคการกรองแบบมีส่วนร่วมผู้วิจัยได้ดำเนินการผ่านอัลกอริทึม KNN Basic, SVD และ SVD++ เพื่อสร้างแบบจำลองการแนะนำและประเมินประสิทธิของแบบจำลองด้วยวิธีการของ MAE และ RMSE ซึ่งพบว่า SVD++ ให้ผลลัพธ์ที่ดีกว่าด้วยค่าผิดพลาด MAE และ RMSE น้อยที่สุด คือ 0.885 1.105 ตามลำดับ

This research aims to investigate suitable algorithms for food recommendation systems on a Thai language dataset based on user preferences. Having preferred and appropriate meals can make consumers feel positive, happy, and healthy. For restaurants, this system can help improve customers’ satisfaction and loyalty, and reduce the decision time. In this work, an exploratory study was conducted on two prominent food recommendation algorithms: the content-based filtering and collaborative filtering methods. The results of the study revealed the characteristics of each method. For the content-based filtering method, Bag-of-Words (BoW) and TF-IDF technique were applied together with cosine similarity metrics. The BoW technique recommended food with more general ingredients. For the collaborative filtering method, KNN Basic, SVD, and SVD++ were employed to construct the recommendation models. The algorithms were evaluated using MAE and RMSE. The SVD++ provided a better result with the lowest MAE (0.885) and RMSE (1.105) values.