Development of deep learning techniques to classify user concern for food delivery application

การพัฒนาเทคนิคการเรียนรู้เชิงลึกในการจำแนกความกังวลของผู้ใช้สำหรับแอปพลิเคชันจัดส่งอาหาร

Name: Nathakit Keawtoomla

LCSH: Delivery of goods

LCSH: Food -- Transportation

LCSH: Application software

LCSH: Mobile apps

Abstract: With the rapid growth of the food delivery industry, there is an urgent need to manage software effectively for sharing economy applications. One way to evaluate the effectiveness of these applications is by examining user concerns and feedback. User reviews from Google Play and App Store were collected and manually labelled into four categories: bug report, human, market, and feature request. We propose to use a Bi-LSTM-CNN model in a pipeline for automatic classification of the user concerns. The performances of other machine learning and deep learning models were studied and compared. The results showed that the proposed Bi-LSTM-CNN model achieved the highest accuracy score of 84.6%, outperforming the single deep learning models and the traditional machine learning models. Moreover, due to the imbalance nature of the collected data, the impact of data oversampling technique for data imbalance problem was also evaluated. Interestingly, the interplays between the complex representation induced by the proposed Bi-LSTM-CNN model render the selected oversampling scheme e.g., SMOTE, unnecessary for our setting.

Abstract: ด้วยการเติบโตอย่างรวดเร็วของอุตสาหกรรมการจัดส่งอาหาร การจัดการซอฟต์แวร์อย่างมีประสิทธิภาพจึงมีความสำคัญอย่างมากสำหรับแอปพลิเคชันเศรษฐกิจแบ่งปัน วิธีหนึ่งในการประเมินประสิทธิภาพของแอปพลิเคชันเหล่านี้คือการตรวจสอบข้อกังวลและคำวิจารณ์ของผู้ใช้ บทวิจารณ์ของผู้ใช้จาก Google Play และ App Store ถูกรวบรวมและติดฉลากเป็นสี่หมวดหมู่ ได้แก่ รายงานข้อบกพร่อง มนุษย์ ตลาด และคำขอฟีเจอร์ เราเสนอแบบจำลอง Bi-LSTM-CNN เป็นแนวทางสำหรับการจำแนกข้อกังวลของผู้ใช้โดยอัตโนมัติ การศึกษาประสิทธิภาพของแมชชีนเลิร์นนิงและโมเดลการเรียนรู้เชิงลึกอื่นๆ พบว่าแบบจำลอง Bi-LSTM-CNN ที่นำเสนอได้รับคะแนนความแม่นยำสูงสุดที่ 84.6% ซึ่งมีประสิทธิภาพดีกว่าการเรียนรู้เชิงลึกแบบเดี่ยวและแบบจำลองการเรียนรู้แมชชีนเลิร์นนิง นอกจากนี้ด้วยลักษณะความไม่สมดุลของข้อมูลที่เก็บรวบรวบ เราได้ศึกษาผลกระทบของเทคนิคการสุ่มตัวอย่างเพื่อเพิ่มปริมาณ ผลการทดลองพบว่า การทำงานร่วมกันระหว่างการแทนค่าที่ซับซ้อนซึ่งเกิดจากแบบจำลอง Bi-LSTM-CNN ด้วยเทคนิค SMOTE ไม่ได้เพิ่มประสิทธิภาพของแบบจำลอง

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Arinya Pongwat

Role: advisor

Name: Jakramate Bootkrajang

Role: advisor

Created: 2024

Modified: 2024-12-08

Issued: 2024-12-08

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Data Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	630632113.pdf	2.17 MB	1	2025-05-14 10:44:44

ใช้เวลา

0.03536 วินาที