|
ระบบแนะนำส่วนบุคคลโดยใช้การจัดกลุ่มแบบลำดับชั้นร่วมกับวิธีการคัดกรองผู้ใช้และการคัดกรองสิ่งของร่วม |
|---|---|
| รหัสดีโอไอ | |
| Creator | รัฐวรรณ พันธุนิล |
| Title | ระบบแนะนำส่วนบุคคลโดยใช้การจัดกลุ่มแบบลำดับชั้นร่วมกับวิธีการคัดกรองผู้ใช้และการคัดกรองสิ่งของร่วม |
| Contributor | นิเวศ จิระวิชิตชัย |
| Publisher | สถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี |
| Publication Year | 2563 |
| Journal Title | วารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี |
| Journal Vol. | 19 |
| Journal No. | 1 |
| Page no. | 106-112 |
| Keyword | ระบบแนะนำ, วิธีการจัดกลุ่มแบบลำดับชั้น, วิธีแบบคัดกรองผู้ใช้ร่วม, วิธีแบบคัดกรองสิ่งของร่วม |
| URL Website | https://ph01.tci-thaijo.org/index.php/rmutt-journal/index |
| Website title | https://www.tci-thaijo.org |
| ISSN | 2651-2289 |
| Abstract | งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและเพิ่มประสิทธิภาพของแบบจำลองระบบแนะนำส่วนบุคคลด้วยเทคนิคการจัดกลุ่มแบบลำดับชั้นร่วมกับวิธีการคัดกรองผู้ใช้และการคัดกรองสิ่งของร่วม เนื่องมาจากในปัจจุบันระบบแนะนำได้มีบทบาทในชีวิตประจำวันในการเพิ่มยอดขายสินค้าและบริการออนไลน์เป็นอย่างมาก แต่ในขณะเดียวกันกลับพบปัญหาต่าง ๆ ที่เกิดขึ้นกับระบบแนะนำข้อมูล เช่น ปัญหาของขนาดข้อมูล (Scalability Problem) ความเบาบางของข้อมูล (Sparsity Problem) ความแม่นยำของข้อมูล และการมีผู้ใช้รายใหม่เพิ่มเข้ามาเป็นจำนวนมาก (First-rater Problem) ดังนั้นจึงได้มีการคิดค้นเทคนิคใหม่ ๆ มาผสมผสานกับระบบแนะนำ เพื่อเป็นการแก้ปัญหาและปรับปรุงประสิทธิภาพของระบบแนะนำให้ดีและตรงกับความต้องการของผู้ซื้อยิ่งขึ้น โดยในงานวิจัยนี้ได้นำเสนอแบบจำลองวิธีการจัดกลุ่มแบบลำดับชั้น (Agglomerative Clustering) ทำงานร่วมกับวิธีการคัดกรองผู้ใช้และวิธีแบบคัดกรองสิ่งของร่วม (User-based and Item-based Collaborative Filtering Method) โดยเอาจุดเด่นของแต่ละวิธีมาผสมผสานกัน เพื่อปรับปรุงประสิทธิภาพของระบบแนะนำให้มีความแม่นยำมากยิ่งขึ้น จากผลการทดลองพบว่าแบบจำลองที่พัฒนาขึ้นพิจารณาจากค่าพื้นที่ใต้เส้นกราฟ ค่าความแม่นยำ ค่า Normalized discounted cumulative gain และค่าเฉลี่ยของความแม่นยำ ให้ค่าที่สูงกว่าการใช้ User-based Collaborative Filtering หรือ Item-based Collaborative Filtering เพียงอย่างเดียว ดังนั้นจึงสรุปได้ว่า แบบจำลองระบบแนะนำส่วนบุคคล ที่พัฒนาขึ้นโดยใช้การจัดกลุ่มแบบลำดับชั้นร่วมกับวิธีการคัดกรองผู้ใช้และการคัดกรองสิ่งของร่วม มีประสิทธิภาพดีกว่าการใช้ User-based Collaborative Filtering หรือ Item-based Collaborative Filtering เพียงอย่างเดียว และยังสามารถนำไปประยุกต์ใช้งานได้จริง โดยในอนาคตเมื่อมีเทคโนโลยีที่ทันสมัยมากขึ้นอาจจะสามารถใช้คลาวด์คอมพิวติ้งในการวิเคราะห์ข้อมูล เพื่อขยายขีดความสามารถในการประมวลผลข้อมูลได้อย่างมีประสิทธิภาพ |
