ระบบจัดประเภทเว็บเพจแบบอัตโนมัติที่มีพื้นฐานมาจากสถิติคำ

Abstract

เมื่อยุคข้อมูลข่าวสารมาถึง อินเทอร์เน็ตถือเป็นปัจจัยในการดำรงชีวิตอีกอย่างหนึ่ง เพราะทั้งข้อมูลข่าวสารรวมไปถึงบริการต่าง ๆ สามารถเข้าถึงได้ผ่านทางอินเทอร์เน็ต ในขณะที่ข้อมูลข่าวสารที่มีอยู่ในอินเทอร์เน็ตมีปริมาณเพิ่มขึ้นอย่างมากในแต่ละปี และการวิเคราะห์ข้อมูลขนาดใหญ่เริ่มเป็นที่จับตามองของทุกคน มีบริษัทยักษ์ใหญ่มากมาย อาทิ กูเกิล เฟสบุ๊ค อเมซอน และเน็ตฟลิกซ์ ต่างก็กำลังสนใจการนำข้อมูลที่มีอยู่มาวิเคราะห์เพื่อปรับปรุงการให้บริการให้ดียิ่งขึ้น นอกจากนี้จำนวนเว็บไซต์ที่ได้ทำการจดทะเบียนแล้วยังมีปริมาณเพิ่มขึ้นอย่างน่าเหลือเชื่อถึงหนึ่งพันล้านเว็บไซต์ เว็บไซต์หนึ่งเว็บประกอบไปด้วยเว็บเพจมากมายที่สามารถกล่าวถึงหัวข้อหลายประเภทได้ การจัดประเภทเว็บเพจนั้นจำเป็นต้องมีระบบที่สามารถใช้ในการจัดประเภทเว็บเพจได้ก่อน โดยที่ระบบจัดประเภทเว็บเพจสามารถนำไปใช้ในการคัดกรองเว็บไซต์ที่ไม่เหมาะสม ระบุความสนใจของผู้ใช้งาน และยังสามารถติดฉลากให้กับเนื้อหาแบบอัตโนมัติได้อีกด้วย ปัจจุบันมีส่วนต่อประสานโปรแกรมประยุกต์ในเชิงพาณิชย์ที่ใช้ในการจัดประเภทเว็บเพจที่สามารถจัดประเภทเว็บเพจเป็นหมวดหมู่ได้หลากหลาย ส่วนต่อประสานโปรแกรมประยุกต์เหล่านี้สามารถแบ่งออกได้เป็น 2 ชนิด ส่วนต่อประสานโปรแกรมประยุกต์กลุ่มแรกจัดประเภทจากหน้าเว็บเพจแรกของหน้าเว็บไซต์ที่เรียกว่าโฮมเพจเท่านั้น ส่วนต่อประสานโปรแกรมประยุกต์กลุ่มที่สองที่จัดประเภทเนื้อหาในหน้าเว็บเพจโดยเฉพาะ เนื่องจากส่วนต่อประสานโปรแกรมประยุกต์ในกลุ่มที่สองจัดประเภทเนื้อหาโดยมีพื้นฐานจากเนื้อหาที่อยู่ภายใน ไม่ใช่แค่หน้าโฮมเพจเท่านั้น ส่วนต่อประสานโปรแกรมประยุกต์ในในกลุ่มที่สองมีแนวโน้มที่จะให้ความแม่นยำมากกว่า จากการศึกษาที่ผ่านมาพบว่า ส่วนต่อประสานโปรแกรมประยุกต์ที่มีอยู่ในท้องตลาดไม่สามารถจัดประเภทเว็บเพจโดยการพิจารณาเนื้อหาที่เป็นภาษาไทยได้ และในงานวิจัยที่ผ่านมาไม่ได้พิจารณาเรื่องความเร็วในการประมวลผลและการทำเป็นระบบอัตโนมัติที่รองรับการวิเคราะห์เว็บเพจจากการจราจรทางเครือข่ายอินเทอร์เน็ตจริงได้ จากปัญหาที่กล่าวมาในข้างต้น งานวิจัยนี้จึงได้เสนอระบบจัดประเภทเว็บเพจแบบอัตโนมัติที่มีพื้นฐานมาจากสถิติคำ ระบบนี้จะทำการประมวลผลข้อมูลจากยูอาร์แอลดิบและทำการจัดประเภทเนื้อหา ยิ่งไปกว่านั้นระบบนี้สามารถรองรับทั้งภาษาไทยและภาษาอังกฤษและรองรับการจัดประเภทเว็บเพจที่มีปริมาณมากได้ ระบบนี้ประกอบไปด้วยระบบย่อย 2 ระบบ ระบบย่อยแรกคือระบบสกัดคำสำคัญอัตโนมัติ ระบบย่อยนี้ใช้สำหรับสกัดคำสำคัญในเนื้อหาของเว็บเพจเพื่อที่จะนำไปใช้สร้างพจนานุกรม ซึ่งพจนานุกรมนี้จะถูกใช้ในระบบย่อยที่สอง ระบบย่อยที่สองคือระบบจัดประเภทเว็บเพจ ระบบย่อยนี้จะทำการประมวลผลข้อมูลดิบและทำการจัดประเภทเนื้อหาไปยังหมวดหมู่ที่เหมาะสม ผลลัพธ์ของระบบมีค่าประสิทธิภาพโดยรวมมากถึงร้อยละ 99 และใช้เวลาในการประมวลผลโดยรวมร้อยกว่าอัลกอริทึมอื่น ยิ่งไปกว่านั้นงานวิจัยยังแสดงให้เห็นว่าระบบนี้สามารถจัดประเภทเว็บเพจด้วยวิธีการที่ง่ายแต่ได้ผลดี