Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/80141
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorพีรพล เวทีกูล-
dc.contributor.authorภูริ ฟักมงคล-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์-
dc.date.accessioned2022-07-23T05:18:08Z-
dc.date.available2022-07-23T05:18:08Z-
dc.date.issued2564-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/80141-
dc.descriptionวิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564-
dc.description.abstractการตอบคำถาม (Question Answering) เป็นหนึ่งในงานด้านการประมวลผลภาษาธรรมชาติ ที่สามารถให้อุปกรณ์เข้าใจบทความและสามารถตอบคำถามที่ให้ได้ มีงานศึกษาทางด้านตอบคำถามในภาษาอังกฤษซึ่งมีจำนวนของชุดข้อมูลที่มีจำนวนมาก แต่ภาษาไทยเป็นภาษาที่มีจำนวนของชุดข้อมูลที่น้อยกว่า ทำให้ประสิทธิภาพของแบบจำลองการตอบคำถามภาษาไทยมีคะแนนเอฟวันเพียง 70% ในขณะที่แบบจำลองการตอบคำถามภาษาอังกฤษ สามารถมีคะแนนเอฟวันสูงถึง 90% ดังนั้น ในงานวิจัยชิ้นนี้ต้องการเพิ่มประสิทธิภาพของแบบจำลองการตอบคำถามภาษาไทย โดยการสร้างชุดข้อมูลเพิ่มด้วยแบบจำลอง Multilingual Text-to-Text Transfer Transformer (mT5) และการประมวลผลข้อมูลที่เหมาะสมกับภาษาไทย วิธีนี้ สามารถสร้างชุดข้อมูลการตอบคำถามได้มากกว่าหนึ่งแสนชุดจากบทความ Wikipedia ภาษาไทย นอกจากนี้ งานวิจัยชิ้นนี้ยังศึกษารูปแบบวิธีการฝึกสอนในรูปแบบต่าง ๆ โดยใช้ชุดข้อมูลที่สร้างขึ้น เพื่อเพิ่มประสิทธิภาพให้กับแบบจำลองการตอบคำถามให้ได้มากที่สุด อีกทั้ง ในงานวิจัยนี้ได้เสนอการวัดผลแบบจำลองการตอบคำถามภาษาไทยโดยใช้คะแนนเอฟวันระดับพยางค์ ซึ่งมีความเหมาะสมกับภาษาไทยมากกว่าการวัดผลด้วยวิธีการดั้งเดิม โดยใช้คะแนนความถูกต้องและคะแนนเอฟวันระดับคำ ผู้วิจัยได้ทำการทดลองบนชุดข้อมูลการตอบคำถามภาษาไทยทั้ง 2 ชุด ได้แก่ Thai Wiki QA และ iApp Wiki QA พบว่าผลการทดลองโดยใช้วิธีการสร้างชุดข้อมูลของงานวิจัยชิ้นนี้ สามารถให้ประสิทธิภาพของแบบจำลองสูงขึ้นบนชุดข้อมูลทั้ง 2 ชุด โดยใช้แบบจำลองประเภท ทรานส์ฟอร์เมอร์ ได้แก่ Roberta และ mT5-
dc.description.abstractalternativeQuestion Answering (QA) is a natural language processing task that enables the machine to understand a given context and answer a given question. There are several QA research trials containing high resources of the English language. However, Thai is one of the languages that have low availability of labeled corpora in QA studies. According to previous studies, while the English QA models could achieve more than 90% of F1 scores, Thai QA models could obtain only 70% in our baseline. In this study, we aim to improve the performance of Thai QA models by generating more question-answer pairs with Multilingual Text-to-Text Transfer Transformer (mT5) along with data preprocessing methods for Thai. With this method, the question-answer pairs can synthesize more than 100 thousand pairs from provided Thai Wikipedia articles. Utilizing our synthesized data, many fine-tuning strategies were investigated to achieve the highest model performance. Furthermore, we have presented that the syllable-level F1 is a more suitable evaluation measure than Exact Match (EM) and the word-level F1 for Thai QA corpora. The experiment was conducted on two Thai QA corpora: Thai Wiki QA and iApp Wiki QA. The results show that our augmented model is the winner on both datasets compared to other modern transformer models: Roberta and mT5.-
dc.language.isoth-
dc.publisherจุฬาลงกรณ์มหาวิทยาลัย-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2021.855-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัย-
dc.subject.classificationComputer Science-
dc.subject.classificationComputer Science-
dc.titleกรอบงานการตอบคำถามภาษาไทยโดยใช้แบบจำลองประเภททรานส์ฟอร์เมอร์พร้อมด้วยข้อมูลเสริม-
dc.title.alternativeThai question answering framework using transformer based models with augmented data-
dc.typeThesis-
dc.degree.nameวิทยาศาสตรมหาบัณฑิต-
dc.degree.levelปริญญาโท-
dc.degree.disciplineวิทยาศาสตร์คอมพิวเตอร์-
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัย-
dc.identifier.DOI10.58837/CHULA.THE.2021.855-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6272068021.pdf1.47 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.