การประยุกต์ใช้ Social Monitoring เพื่อจำแนกปัญหาทางธุรกิจด้วยเทคนิคเหมืองข้อความ

Applying social monitoring to classify business problems using text mining

Name: ภณิดา เทิดคงพันธุ์

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : s6607021857261@email.kmutnb.ac.th

Name: มณเฑียร รัตนศิริวงศ์วุฒิ

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : Montean.R@itd.kmutnb.ac.th

keyword: เหมืองข้อความ

ThaSH: สินค้า -- ระบบติดตาม -- การประมวลผลข้อมูล

; Social Monitoring

ThaSH: เครื่องหมายการค้า -- ระบบติดตาม -- การประมวลผลข้อมูล

Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อใช้ในการประยุกต์ใช้ Social Monitoring เพื่อจาแนกปัญหาทางธุรกิจด้วยเทคนิคเหมืองข้อความ โดยจัดกลุ่มปัญหาทางธุรกิจออกเป็น 4 ประเภท ได้แก่ 1) ด้านระบบไอทีและโมบายแอปพลิเคชัน 2) ด้านสินค้า 3) ด้านบริการ และ 4) ด้านชื่อเสียงองค์กร โดยใช้ชุดข้อมูลที่เป็นข้อความจากสื่อสังคมออนไลน์ ซึ่งรวบรวมมาจาก www.exportcomment.com ใช้ชุดข้อความทั้งหมดจำนวน 2,000 ข้อความ ผ่านกระบวนการเตรียมข้อมูล ได้แก่ การทาความสะอาดข้อมูล การตัดคำ และการแทนค่าป้ายกำกับ โดยแบ่งข้อมูลออกเป็นชุดข้อมูลสอนและชุดข้อมูลทดสอบ นำชุดข้อมูลไปฝึกฝนเพื่อเปรียบเทียบประสิทธิภาพแบบจำลองด้วยอัลกอริทึมจำแนกประเภท 5 ประเภท ได้แก่ อัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีน อัลกอริทึมหน่วยความจำระยะสั้นแบบยาว อัลกอริทึมเพื่อนบ้านใกล้ที่สุด อัลกอริทึมป่าสุ่ม และอัลกอริทึมนาอีฟเบย์ ผลการฝึกข้อมูลพบว่า แบบจำลองจากอัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีนมีประสิทธิภาพในการจำแนกดีที่สุด โดยมีค่าความถูกต้องร้อยละ 71% ค่าความแม่นยำร้อยละ 70% ค่าการระลึกร้อยละ 71% และค่าการถ่วงดุลร้อยละ 70% จากนั้นนำเสนอผลลัพธ์ของการจำแนกปัญหาต่าง ๆ ผ่านโปรแกรม Power BI

Abstract: The purpose of this research is to apply Social Monitoring to classify business issues using text mining techniques. The study categorizes business problems into four types: (1) IT systems and mobile applications (2) products (3) services and (4) reputation. The dataset consists of 2,000 text entries collected from social media, specifically from www.exportcomment.com These entries were processed through data preparation steps including data cleaning, word segmentation, and label encoding. The data was then divided into training and testing sets. The study applied five classification algorithms to train and compare model performance: Support Vector Machine, Long Short-Term Memory, K-Nearest Neighbor, Random Forest, and Naïve Bayes. From the training results, the SVM algorithm demonstrated the highest classification performance, achieving an accuracy of 71%, a precision of 70%, a recall of 71%, and an F1-score of 70%. Based on the results, SVM was implemented in Power BI.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2568

Modified: 2568-12-11

Issued: 2568-12-11

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 21 (NCCIT 2025) (pp.198-203). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 2568

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2025pp.198-203.pdf	632.67 KB

ใช้เวลา

0.023853 วินาที