Benchmarking of Thai-spelling correction algorithms

การเปรียบเทียบสมรรถนะของอัลกอริทึมการแก้ไขการสะกดคำภาษาไทย

Name: Patiphon Ongartittichai

LCSH: Spelling errors

LCSH: Thai language -- Orthography and spelling

LCSH: Thai language -- Data processing

LCSH: Thai language -- Machine translating

LCSH: Language and languages -- Orthography and spelling

LCSH: Algorithms

Abstract: This research aims to compare the efficiency of algorithms for detecting and correcting typos in Thai, considering accuracy and processing time, especially the combination of word cutting methods and typo detection algorithms, to find the most suitable approach for developing Thai natural language processing tools (Thai NLP). The data used in the experiment consisted of 3 Thai datasets: Thai Toxicity Tweet, Wisesight Sentiment, and ThaiSum, which are human-generated texts from both social media and news articles. The data was then prepared and word cutting was performed using the newmm, deepcut, and attacut processes. Then, typos were checked using the Levenshtein Distance, Hunspell, Peter Norvig, and Word2Vec algorithms. The experimental results showed that the combination of word cutting and typo detection algorithms between attacut and Peter Norvig gave the best results in terms of accuracy, while newmm and Hunspell gave the best results in terms of speed. Each method has its own advantages and disadvantages. Therefore, the choice of use should depend on the objectives, such as accuracy or speed. In addition, the research also presents a reusable experimental framework, which is useful for developers and researchers who want to evaluate or develop Thai typo detection systems in the future.

Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของอัลกอริทึมสำหรับการตรวจสอบและแก้ไขคำผิดในภาษาไทย โดยพิจารณาจากความแม่นยำและระยะเวลาในการประมวลผล โดยเฉพาะการจับคู่ร่วมกันระหว่างวิธีการตัดคำและอัลกอริทึมการตรวจคำผิด เพื่อหาแนวทางที่เหมาะสมสำหรับการพัฒนาเครื่องมือประมวลผลภาษาธรรมชาติภาษาไทย (Thai NLP) ข้อมูลที่ใช้ในการทดลองประกอบด้วยชุดข้อมูลภาษาไทย 3 ชุด ได้แก่ Thai Toxicity Tweet, Wisesight Sentiment และ ThaiSum ซึ่งเป็นข้อความที่เกิดจากมนุษย์ทั้งจากสื่อสังคมออนไลน์และบทความข่าว จากนั้นนำข้อมูลมาผ่านกระบวนการเตรียมข้อมูล และตัดคำด้วยกระบวนการ newmm, deepcut และ attacut จากนั้นทำการตรวจคำผิดด้วยอัลกอริทึม Levenshtein Distance, Hunspell, Peter Norvig และ Word2Vec ผลการทดลองพบว่า การจับคู่กระบวณการตัดคำและอัลกอริทึมตรวจเช็คคำผิดระหว่าง attacut กับ Peter Norvig ให้ผลลัพธ์ดีที่สุดในด้านความแม่นยำ ขณะที่ newmm กับ Hunspell ให้ผลลัพธ์ดีที่สุดในด้านความเร็ว โดยที่แต่ละวิธีมีข้อดีข้อเสียต่างกัน การเลือกใช้งานจึงควรขึ้นอยู่กับวัตถุประสงค์ เช่น ความแม่นยำ หรือความเร็วในการทำงาน นอกจากนี้ งานวิจัยยังได้นำเสนอกรอบการทดลองที่สามารถนำไปใช้ซ้ำได้ ซึ่งเป็นประโยชน์สำหรับนักพัฒนาและนักวิจัยที่ต้องการประเมินหรือต่อยอดระบบตรวจสอบคำผิดในภาษาไทยในอนาคต

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Phasit Charoenkwan

Role: Advisor

Created: 2568

Modified: 2569-02-22

Issued: 2025-12-25

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	630632072.pdf	1.59 MB

ใช้เวลา

0.021633 วินาที