Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/70284
Title: | การจำแนกรุ่นอายุผู้ใช้งานเฟซบุ๊กไทย โดยใช้การเรียนรู้เชิงลึกร่วมกับความน่าจะเป็นของคำ |
Other Titles: | Classification of generation of Thai Facebook users using deep learning with probability of words |
Authors: | ศุภชัย ตั้งตรีรัตน์ |
Advisors: | สุกรี สินธุภิญโญ |
Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
Advisor's Email: | Sukree.S@Chula.ac.th |
Subjects: | เฟซบุ๊ก การประมวลผลคำ ความน่าจะเป็น การเรียนรู้ของเครื่อง Facebook (Electronic resource) Word processing Probabilities Machine learning |
Issue Date: | 2562 |
Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
Abstract: | เฟซบุ๊กเป็นแพลตฟอร์มที่ได้รับความนิยมมากที่สุดในโลก นักการตลาดจึงต้องการใช้ข้อมูลเฟซบุ๊กจำนวนมากในการทำการตลาด ดังนั้นการวิเคราะห์รุ่นอายุของผู้ใช้งานเฟซบุ๊กจึงเป็นเรื่องสำคัญ เพื่อนำรุ่นอายุของผู้ใช้งานเฟซบุ๊กมาวิเคราะห์หากลุ่มเป้าหมายในการทำการตลาด ในงานวิจัยนี้ได้ทำการวิเคราะห์รุ่นอายุของผู้ใช้งานเฟซบุ๊กจากข้อมูลการโพสของผู้ใช้งาน โดยใช้การรวมกันระหว่างการเรียนรู้เชิงลึกกับข้อมูลความน่าจะเป็นของคำในแต่ละรุ่นอายุ ผลลัพธ์จากการทดลองได้ค่าความแม่นยำแบบต่อผู้ใช้เท่ากับ 82.90% และค่าความแม่นยำแบบต่อโพสต์เท่ากับ 52.48% ซึ่งได้ประสิทธิภาพดีกว่าการใช้แบบจำลองเพอร์เซ็ปตรอนหลายชั้น ,นิวรอลเน็ตเวิร์กคอนโวลูชัน ,หน่วยความจำระยะสั้นแบบยาว เพียงอย่างเดียว จากผลการทดลองแสดงให้เห็นว่าการใช้ความน่าจะเป็นของคำในแต่ละรุ่นอายุเข้ามาช่วย ทำให้สามารถเพิ่มประสิทธิภาพของแบบจำลองได้ดียิ่งขึ้น |
Other Abstract: | Facebook is the most popular platform in the world. Marketers would like to use Facebook user data, which comprises large amounts of information which is useful for marketing. Therefore, analyzing the generation of Facebook users for marketing research is important to successfully capture the target market. In this research, posted data of Thai Facebook users will be analyzed using the combined methods of deep learning and probability of words data. The experiment result yields an accuracy of 82.90% per user and 52.48% per status, which is better than using other models alone such as Multi-Layers Perceptron (MLP), Convolution Neural Networks (CNN), or Long Short-Term Memory (LSTM). The experiment results show that using probability of words in each generation can help to increase the accuracy of the model. |
Description: | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562 |
Degree Name: | วิทยาศาสตรมหาบัณฑิต |
Degree Level: | ปริญญาโท |
Degree Discipline: | วิทยาศาสตร์คอมพิวเตอร์ |
URI: | http://cuir.car.chula.ac.th/handle/123456789/70284 |
URI: | http://doi.org/10.58837/CHULA.THE.2019.1143 |
metadata.dc.identifier.DOI: | 10.58837/CHULA.THE.2019.1143 |
Type: | Thesis |
Appears in Collections: | Eng - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
6070974421.pdf | 1.76 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.