Publication: การวิเคราะห์ความรู้สึกในโพสต์ Twitter
1
0
Issued Date
2018
Resource Type
Language
tha
File Type
application/pdf
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
ซิง แซ่เสี่ย, กฤษณะ นีโรลา (2018). การวิเคราะห์ความรู้สึกในโพสต์ Twitter. สืบค้นจาก: https://hdl.handle.net/20.500.14740/3844
Alternative Title(s)
Sentimental analysis using Twitter data
Author(s)
Advisor(s)
Organization
Abstract
ปัจจุบันผู้คนมากมายนิยมโพสต์สิ่งต่างๆบนสังคมออนไลน์มากมาย ทั้ง Facebook Twitter YouTube ซึ่งแต่ละโพสต์จะสามารถบอกความรู้สึกของผู้โพสต์ได้ ในการวิจัยนี้เราสนใจปัญหาการวิเคราะห์และทำนายความรู้สึกของข้อความว่า เป็นบวก เป็นกลาง หรือเป็นลบ โดยใช้การเรียนรู้แบบมีผู้สอน ซึ่งเราทำการทดลองการแบ่งกลุ่มโพสต์โดยใช้ข้อความในโพสต์แต่ละโพสต์ มาทำการวิเคราะห์ด้วยเทคนิคการเรียนรู้เชิงลึก คือเทคนิค Long Short-Term Memory (LSTM) เพื่อทำการประเมินประสิทธิภาพและเปรียบเทียบผลลัพธ์ของเทคนิคดังกล่าว ว่ามีความเหมาะสมและ มีประสิทธิภาพเพียงใด
Nowadays, many people post things on various social networks like Facebook, Twitter and YouTube. In this study, we performed sentiment analysis over posts in Twitter to determine how users think about a topic in the social media. In this study, we adopted long short-term memory (LSTM) as a classifier used in the prediction. Posts are mapped using the word2vec method to map text to vectors for further analysis. We evaluate the performance of the proposed system in comparison with other algorithms to determine the suitability of the proposed system. The expert mental results show that the proposed system slightly outperform the compared algorithms
Nowadays, many people post things on various social networks like Facebook, Twitter and YouTube. In this study, we performed sentiment analysis over posts in Twitter to determine how users think about a topic in the social media. In this study, we adopted long short-term memory (LSTM) as a classifier used in the prediction. Posts are mapped using the word2vec method to map text to vectors for further analysis. We evaluate the performance of the proposed system in comparison with other algorithms to determine the suitability of the proposed system. The expert mental results show that the proposed system slightly outperform the compared algorithms