รายงานสรุปเนื้อหาและการนำไปใช้ประโยชน์จากการเข้าร่วม ประชุมวิชาการ ICDAMT and NCON 2020
วันที่เขียน 9/4/2563 12:35:24     แก้ไขล่าสุดเมื่อ 2/3/2567 2:40:12
เปิดอ่าน: 1604 ครั้ง

รายงานสรุปเนื้อหาและการนำไปใช้ประโยชน์ จากการเข้าร่วมประชุมวิชาการ ICDAMT and NCON 2020 ทางด้านดิจิทอล สื่อ และคอมพิวเตอร์เทคโนโลยี ระหว่างวันที่ 11-13 เดือน มีนาคม 2563 ณ เมืองพัทยา จ.ชลบุรี ตามหนังสือขออนุญาตเดินทางไปราชการ เลขที่ อว 0523.4.8/032 ลงวันที่ 3 กุมภาพันธ์ 2563

จากการเข้าร่วมประชุมวิชาการนอกจากจะเป็นผู้ร่วมจัดทำผลงานวิชาการร่วมกับ อ.ดร.สายัณห์ อุ่นนันกาศ ในหัวข้อเรื่อง Sub-Events Tracking from Social Network based on the Relationships between Topics   นอกจากนี้ยังได้รับฟังผลงานวิชาการที่น่าสนใจด้านการนำระบบการให้คำแนะนำ (Recommender System)  มาประยุกต์ใช้ในระบบต่างๆ   เช่น งานห้องสมุด งานแนะนำแผนการท่องเที่ยว ตัวอย่างเช่นในงานตีพิมพ์หัวข้อเรื่อง Schedule travel planning system for Phayao information recommendation และ หัวข้อเรื่อง Development of open-source automated library system with book recommendation system for small library  โดยนำข้อมูลของผู้ใช้ ( User Profile)  และ ข้อมูลการท่องเที่ยวของจังหวัดพะเยา ข้อมูลการใช้ห้องสมุดของนักศึกษา ข้อมูลประเภทหนังสือที่นักศึกษานิยมยืมหรือค้นหา มาวิเคราะห์เปรียบเทียบความเหมือน (Similarity) ร่วมกับการใช้หลักการ Data Mining พัฒนาระบบการให้คำแนะนำด้านการวางแผนการท่องเที่ยว และแนะนำหนังสือที่ผู้ใช้สนใจอัตโนมัติ  ซึ่งในปัจจุบันร้านเว็บไซต์หรือระบบออนไลน์ รวมถึงระบบโซเชียลเน็ตเวิรค์ที่เป็นที่รู้จักอย่าง Facebook ได้มีการใช้ระบบแนะนำมาใช้ในการแนะนำสินค้าหรือบริการต่างๆ ที่สัมพันธ์เกี่ยวข้องกับความสนใจของผู้ใช้ (User’s interest)  ยกตัวอย่างเช่น ขณะที่เราดูคลิปวิดีโอออนไลน์เกี่ยวกับวิธีทำขนมจบ เราจะเห็นว่าทางเว็บไซต์จะมีการแนะนำวิดีโอคลิปที่เกี่ยวข้องกับการทำขนมชนิดอื่นๆ ที่คล้ายกับสิ่งที่เราดูจบไปหรือคลิปรีวิวร้านขายขนมให้กับเราในทันทีอีกตัวอย่างหนึ่งนั่นก็คือการซื้อหนังสือผ่านเว็บไซต์ชื่อดังอย่าง Amazon เมื่อผู้ซื้อซื้อหนังสือชื่อ SICP ซึ่งเป็นหนังสือเกี่ยวกับวิทยาการคอมพิวเตอร์ (Computer science) ทางเว็บไซต์จึงมีการแนะนำหนังสือเกี่ยวกับการการเขียนโปรแกรมเชิงฟังก์ชัน (Functional programming) ซึ่งเป็นประเภทของหนังสือที่คนมักจะซื้อด้วยกันให้กับผู้ซื้อนั่นเอง

ระบบแนะนำสามารถทำงานโดยใช้ 2 วิธีหลักๆ ได้แก่ การวิเคราะห์ข้อมูลของเนื้อหา (Content-based Filtering) และ การวิเคราะห์จากการอ้างอิงถึงพฤติกรรมของผู้ใช้ (Collaborative Filtering)

  1. Content-based Filtering (CB) จะดูที่ลักษณะของสินค้าที่จะแนะนำ และแนะนำสิ่งที่มีลักษณะหรือมีคำอธิบายคล้ายกับโปรไฟล์ของผู้ใช้ รวมถึงลักษณะของสิ่งที่ผู้ใช้เคยใช้หรือเคยชอบ เช่น ระบบจะแนะนำหนังที่เนื้อหาของหนังมีความคล้ายกับหนังที่ผู้ใช้เคยดูมาก่อนหน้านี้ ดังนั้นการใช้ Content-based Filtering จะต้องมีข้อมูลคุณลักษณะของสินค้า เช่น กลุ่ม/ประเภท ขนาด ราคา สี สไตล์ ฟังก์ชั่น ตำแหน่งแบรนด์ดิ้ง หรือคำอธิบายตัวสินค้าแบบย่อ เป็นต้น

 

 

  • ข้อดีของ content-based filtering คือเนื่องจากระบบแนะนำดูโปรไฟล์ของผู้ใช้แต่ละคนแยกออกจากกัน สินค้าที่แนะนำจะค่อนข้างตรงกับรสนิยมของผู้ใช้ที่มีรสนิยมแตกต่างจากคนส่วนใหญ่การแนะนำสินค้าใหม่ที่ยังไม่ค่อยมีผู้ใช้งานจะทำได้ง่ายเพราะสามารถพิจารณาจากความคล้ายคลึงของคุณลักษณะกับสินค้าเดิม    แต่ความยากของการทำระบบแนะนำแบบ Content-based Filtering คือ การเตรียมแคตาล็อคข้อมูลสินค้าซึ่งใช้เวลามาก และการสร้าง feature ที่เหมาะสมเพื่ออธิบายตัวสินค้าและโปรไฟล์ของผู้ใช้ซึ่งขึ้นอยู่กับแนวของสินค้า นอกจากนั้น Content-based  Filtering จะไม่สามารถแนะนำสินค้าที่แตกต่างจากสินค้าที่ผู้ใช้เคยซื้อมากนัก ทำให้ผู้ใช้ได้รับการแนะสินค้าที่มีความหลากหลายค่อนข้างน้อย
  1. Collaborative Filtering (CF) อาศัยข้อมูลที่มีการให้คะแนนชื่นชอบ (rating) ของสินค้าหรือบริการของผู้ใช้แต่ละคนที่ผ่านมาเป็นหลัก เราจะแบ่งประเภทการ rating เป็นสองแบบนั้นก็คือ การให้คะแนนที่ชัดเจน (Explicit rating) เช่น การกดดาวให้ 5 ดาวสำหรับหนังเรื่องหนึ่ง กับอีกแบบหนึ่งคือ การให้คะแนนโดยนัย (Implicit rating) เช่น การเช็คคะแนนโดยวัดจากจำนวนการซื้อ หรือการกดเพื่อเข้าไปดูวิดีโอนั่นเองข้อมูล rating จะถูกนำมาใช้ในการแนะนำสินค้าได้ 2 แบบ 

 

 แบบที่1. ดูจากความชอบของลูกค้าที่คล้ายกับเรา หรือที่เรียกว่า User-based CF  โดยถ้าผู้ใช้ที่ถูกจัดให้อยู่ในกลุ่มเดียวกันมักจะชอบสินค้าที่มีลักษณะคล้ายกัน ตัวอย่างที่ทำให้  เข้าใจได้ง่าย เช่น ผู้ชายสองคนที่กินอาหารเหมือนกัน เมื่อนาย B ซื้อน้ำอัดลม ก็จะมีความน่าจะเป็นที่นาย A จะซื้อเช่นกัน ทำให้ในการสั่งอาหารจะมีการแนะนำน้ำอัดลมให้นาย A

แบบที่ 2. คือ ดูจากสินค้าที่คล้ายกับสินค้าที่เราเคยใช้ในแง่ของ rating จากผู้ใช้คนอื่น หรือที่เรียกว่าItem-based CF เช่น ถ้ามีหนังซี่งเราไม่เคยดูในระบบได้รับ Rating จากผู้ใช้คนอื่นๆในรูปแบบที่คล้ายกับหนังที่เราเคยดูและให้ rating สูง ระบบก็จะแนะนำหนังเรื่องนั้นให้กับเรา เป็นต้น

  • ข้อดีของ Collaborative filtering คือสามารถประยุกต์ใช้ได้กับทุกประเภทของสินค้าและไม่ต้องมีการทำแคตาล็อคเพื่ออธิบายสินค้า  แต่จะมีข้อจำกัดเมื่อข้อมูล rating มีน้อยหรือสินค้าใหม่ๆที่ยังไม่ค่อยมีการให้ rating จะแนะนำได้ยาก  หรือเรียกปัญหานี้ว่า  Data sparse ซึ่งเป็นปัญหาหนึ่งของการพัฒนาระบบการให้คำแนะนำ 

 

เรียบเรียงโดย

อ.ดร.วรรณวิมล  นาดี

สาขาวิชาเทคโนโลยีสารสนเทศ

คณะวิทยาศาสตร์

 

 

คำสำคัญ :
กลุ่มบทความ :
หมวดหมู่ :
แชร์ :
https://erp.mju.ac.th/acticleDetail.aspx?qid=1096
ความคิดเห็นทั้งหมด (0)
ไม่มีข้อมูลตามเงื่อนไขที่ท่านกำหนด
รายการบทความการแลกเปลี่ยนเรียนรู้หมวดหมู่ : กลุ่มงานสายวิชาการ
การเผยแพร่ความรู้ที่ได้จากการเข้าร่วมประชุมวิชาการ/อบรม/สัมมนา » โครงการติดตามบุคคลากรคณะวิทยาศาสตร์ที่ครบกำหนดในการดำรงตำแหน่งที่สูงขึ้น กิจกรรมที่ 1 การสร้างความรู้เกี่ยวกับการขอตำแหน่งทางวิชาการ
โครงการติดตามบุคคลากรคณะวิทยาศาสตร์ที่ครบกำหนดในการดำรงตำแหน่งที่สูงขึ้น กิจกรรมที่ 1 การสร้างความรู้เกี่ยวกับการขอตำแหน่งทางวิชาการ ในวันที่ 24 มกราคม 2567 เวลา 08.30 - 15.00 น. ณ ห้องประชุม 2 อาค...
การขอตำแหน่งทางวิชาการ     กลุ่มงานตามสมรรถนะบุคลากร   กลุ่มงานสายวิชาการ
ผู้เขียน พิกุล ศรีดารัตน์  วันที่เขียน 23/2/2567 23:01:14  แก้ไขล่าสุดเมื่อ 1/3/2567 12:51:21   เปิดอ่าน 31  ครั้ง | แสดงความคิดเห็น 0  ครั้ง
งานวิจัยปวีณา » รายงานสรุปเนื้อหาและการนำไปใช้ประโยชน์จากการเข้าประชุมวิชาการ มหาวิทยาลัยแม่โจ้ ประจำปี 2566
จากการได้เข้าร่วมประชุมวิชาการระดับชาติ มหาวิทยาลัยแม่โจ้ ประจำปี 2566 เรื่อง นวัตกรรมเกษตรอาหาร และสุขภาพ ระหว่างวันที่ 21-22 ธันวาคม 2566 ณ อาคารเฉลิมพระเกียรติสมเด็จพระเทพรัตนราชสุดา มหาวิทยาลัย...
  กลุ่มงานตามสมรรถนะบุคลากร   กลุ่มงานสายวิชาการ
ผู้เขียน ปวีณา ภูมิสุทธาผล  วันที่เขียน 22/1/2567 14:49:36  แก้ไขล่าสุดเมื่อ 1/3/2567 12:51:22   เปิดอ่าน 77  ครั้ง | แสดงความคิดเห็น 0  ครั้ง