การจำแนกเสียงโกรธในบทสนทนาของศูนย์ให้บริการข้อมูล

วิฎากร แซ่หว่อง

DSpace Home
→
Faculty and Institute
→
Faculty of Commerce and Accountancy - Acctn
→
Acctn - Theses
→
View Item

dc.contributor.advisor	จันทร์เจ้า มงคลนาวิน
dc.contributor.author	วิฎากร แซ่หว่อง
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี
dc.date.accessioned	2019-02-26T09:54:25Z
dc.date.available	2019-02-26T09:54:25Z
dc.date.issued	2561
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/61238
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2561
dc.description.abstract	ศูนย์ให้บริการข้อมูลเป็นส่วนงานขององค์กรที่เกี่ยวข้องกับข้อมูลเสียงโดยตรง อารมณ์โกรธของลูกค้าที่เกิดขึ้นเป็นสิ่งที่ส่งผลในด้านลบต่อองค์กร งานในการตรวจสอบอารมณ์โกรธที่เกิดขึ้นให้ถูกต้องและรวดเร็วจึงเป็นสิ่งที่องค์กรให้ความสำคัญเนื่องจากมีจำนวนผู้ติดต่อเข้ามาใช้บริการจำนวนมากในแต่ละวัน จึงเป็นที่มาของการศึกษาการพัฒนาตัวแบบรู้จำอารมณ์โกรธของลูกค้าในบริบทของข้อมูลเสียงสนทนาระหว่างลูกค้าและเจ้าหน้าที่ของศูนย์ให้บริการข้อมูล การพัฒนาตัวแบบรู้จำอารมณ์มีขั้นตอนสำคัญ 4 ขั้นตอน ได้ แก่ (1) การประมวลผลข้อมูลเสียงเบื้องต้น เป็นการเตรียมข้อมูลเสียงให้พร้อมสำหรับการวิเคราะห์โดยแยกเสียงของลูกค้าออกจากสายสนทนา และตัดให้เป็นรอบการโต้ตอบ (2) การระบุอารมณ์ให้กับรอบการโต้ตอบ (3) การสกัดคุณลักษณะทางคลื่นเสียงจำนวน 1,582 คุณลักษณะที่สามารถใช้จำแนกอารมณ์ที่เกิดขึ้นภายในรอบการโต้ตอบ และ (4) การพัฒนาตัวแบบ โดยผู้ศึกษาได้เปรียบเทียบประสิทธิภาพของเทคนิค 4 เทคนิค ได้แก่ แรนดอมฟอร์เรส ดิซิสชั่นทรี ลิเนียร์เอสวีซีและโลจิสติกส์รีเกรสชั่น จากข้อมูลรอบการโต้ตอบทั้งหมดที่ใช้พัฒนาตัวแบบคือ 1,345 รอบการโต้ตอบ ที่แบ่งเป็นรอบการโต้ตอบที่เป็นอารมณ์โกรธจำนวน 517 รอบ และรอบการโต้ตอบที่ไม่พบอารมณ์โกรธหรือเป็นอารมณ์ปกติจำนวน 828 รอบ ผลการวิจัยพบว่า เทคนิคแรนดอมฟอร์เรสเป็นเทคนิคที่ให้ประสิทธิภาพที่ดีที่สุด โดยมีค่าระลึกของอารมณ์โกรธเท่ากับ 83.49 เปอร์เซ็นต์ และค่าความถูกต้องสมดุล 85.53 เปอร์เซ็นต์ นอกจากนั้นยังพบว่ารอบการโต้ตอบที่มีความยาวที่ 4 วินาทีขึ้นไปจะได้ผลลัพธ์ในการทำนายที่แม่นยำมากกว่าทั้งในรอบการโต้ตอบที่เป็นอารมณ์โกรธและอารมณ์ปกติ
dc.description.abstractalternative	Call center is a department in an organization which directly involves with audio data. Customer’s angry negatively affects the organization. Thus, to monitor customers’ angry precisely and timely is a task that the organization gives priority. This is because there are voluminous phone calls come in the call center every day. This research is aimed at developing an approach to detect customers’ angry from voice recorded in call center dialogs. The study was divided into 4 processes : (1) Audio preprocessing, separating customer’s voice from each call center conversation and splitting it into turns. (2) Emotion Annotation, labelling each turn into “ANGRY” or “NORMAL” (3) Turn feature extraction: extracting 1,582 features which are used in the modelling process from each turn (4) Model development, 4 modelling techniques: Random Forest Classifier, Decision Tree, Linear SVC, and Logistic Regression are used in the study. From 1,345 turns, 517 angry and 828 normal turns, it is found that Random forest is the technique that has the best performance in aspects of recall and balanced accuracy which are 83.49 and 85.33 percent, respectively. We find that the model gives more accurate predictions on turns which are longer than 4 seconds for both angry and normal turns.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2018.606
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject	การเรียนรู้ของเครื่อง
dc.subject	ศูนย์ตอบรับโทรศัพท์
dc.subject	ความโกรธ
dc.subject	คลื่นเสียง
dc.subject	Machine learning
dc.subject	Call centers
dc.subject	Anger
dc.subject	Sound-waves
dc.subject.classification	Business
dc.title	การจำแนกเสียงโกรธในบทสนทนาของศูนย์ให้บริการข้อมูล
dc.title.alternative	Classification of anger voice in call center dialog
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	เทคโนโลยีสารสนเทศทางธุรกิจ
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.email.advisor	Janjao.M@Chula.ac.th
dc.subject.keyword	การรู้จำอารมณ์
dc.subject.keyword	ศูนย์ให้บริการข้อมูล
dc.subject.keyword	การพัฒนาตัวแบบ
dc.subject.keyword	เสียงพูด
dc.subject.keyword	Emotion Recognition
dc.subject.keyword	Voice
dc.subject.keyword	Machine Learning
dc.subject.keyword	Call Center
dc.identifier.DOI	10.58837/CHULA.THE.2018.606