การรับรู้ความพึงพอใจจากลูกค้ามีความสำคัญอย่างยิ่ง ไม่ว่าจะเป็นธุรกิจด้านการขายหรือสื่อบันเทิง เพื่อการจัดการข้อเสนอแนะจากลูกค้าได้อย่างรวดเร็วเพื่อความง่ายต่อการจำแนกเราเลยจะเลือกใช้ตัวสร้างโมเดล AI อย่าง Tensorflow และ Keras เข้ามาช่วยในการจำแนก

Tensorflow และ Keras เป็นเครื่องมือสำหรับการพัฒนาและฝึกโมเดล AI และ machine learning โดย
Tensorflow สามารถนำไปใช้งานได้หลากหลายสำหรับการสร้างและฝึกโมเดล AI เช่น การจำแนกข้อความ การจำแนกภาพ

Keras คือ high-level neural networks API ที่ถูกสร้างขึ้นบน Tensorflow ทำให้สามารถ สร้างและฝึกโมเดล neural networks ได้อย่างรวดเร็ว

โดยบทความนี้เราจะมาดูถึงการใช้งาน Tensorflow และ Keras ใน Python ว่าสามารถจำแนกข้อความได้อย่างไรบ้าง ซึ่งจะใช้ Google Colab ในการรันตัว Code โดย Dataset ที่ใช้ คือ ตัวอย่างข้อความที่สร้างขึ้นมาเองเพื่อรีวิวตัว application

ขั้นตอนที่ 1 นำเข้า Libraries ที่จะใช้ลง Google Colab

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import numpy as np

ขั้นตอนที่ 2 เตรียมข้อมูล train_data คือข้อความรีวิวนั้นเอง

train_data = [
    ("This is a great application", 1),
    ("I love this application", 1),
    ("This is a bad application", 0),
    ("I hate this application", 0),
    ("This application was okay, not great but not bad", 0)
]

โดย จากตัว Code ที่เราได้กำหนดข้อความรีวิวไปจะมีทั้งข้อความรีวิวที่แย่ และดี โดยจะกำหนดเลขให้ ข้อความที่ดีเป็น 1 และ ข้อความที่แย่เป็น 0

("I love this application", 1)
("This is a bad application", 0)

ขั้นตอนที่ 3 แยกข้อความกับตัวเลขกำกับและทำการแปลงข้อความเป็นตัวเลข และแปลงเลขกำกับเป็น array

texts, labels = zip(*train_data)

แยกข้อความและตัวเลขของรีวิวดีและไม่ดีโดยใช้ zip

tokenizer = tf.keras.preprocessing.text.Tokenizer(num_words=1000)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)
x_train = tf.keras.preprocessing.sequence.pad_sequences(sequences, maxlen=10)

เสร็จแล้ว ใช้ Tokenizer ใน TensorFlow เพื่อแปลงข้อความเป็น sequences ของตัวเลข และทำการ padding เพื่อให้ทุก sequence มีความยาวเท่ากัน

เพื่อให้ง่ายต่อการฝึกโมเดลเราจะแปลงเลข 0 กับ 1 ให้อยู่ในรูปแบบของ array

y_train = np.array(labels)

ขั้นตอนที่ 4 ทำการสร้างโมเดลที่ใช้ในการจำแนกและนำไปคอมไพล์

ใช้ Sequential API ใน Keras เพื่อสร้างโมเดล neural network ที่ประกอบด้วย Embedding layer, Flatten layer และ Dense layer.

model = Sequential([
    layers.Embedding(input_dim=1000, output_dim=16, input_length=10),
    layers.Flatten(),
    layers.Dense(1, activation='sigmoid')
])

Embedding คือ การแปลงคำศัพท์ในประโยคเป็น dense vectors

Flatten คือ แปลงข้อมูลให้เป็นเวกเตอร์ชั้นเดียว

Dense เพื่อทำนายความน่าจะเป็นว่ารีวิว application เป็นบวกหรือลบ โดยใช้ activation function เป็น sigmoid เพื่อให้ได้ผลลัพธ์เป็นค่าความน่าจะเป็นของการเป็นบวกหรือลบ

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

คอมไพล์โมเดล Neural Network เพื่อเตรียมพร้อมสำหรับการเทรนโมเดล

optimizer เป็น 'adam'
loss function เป็น 'binary_crossentropy'
ใช้เมตริก 'accuracy' เพื่อวัดประสิทธิภาพของโมเดล

ขั้นตอนที่ 5 Train ข้อมูลที่เตรียมไว้

model.fit(x_train, y_train, epochs=10)

ผลลัพธ์ที่ได้

จะเป็นการ Train ข้อมูล 10 รอบเพื่อเพิ่มความแม่นยำและเหมาะสม

ขั้นตอนที่ 6 ทดลอง Predict จากข้อมูลที่ทดสอบ

เริ่มจากการ Predict ด้วยคำพูดตัวอย่าง

test_data = ["This is a great application", "I hate this application"]
test_seq = tokenizer.texts_to_sequences(test_data)
test_seq_padded = tf.keras.preprocessing.sequence.pad_sequences(test_seq, maxlen=10)
predictions = model.predict(test_seq_padded)
print(predictions)

ผลลัพธ์

ค่าที่ได้จากการสังเกต
This is a great application คือ มีค่าความน่าจะเป็นมากกว่า 0.5 จะเป็นความคิดเห็นหรือเป็นรีวิวที่ดี

I hate this application คือ มีค่าความน่าจะเป็นน้อยกว่า 0.5 จะเป็นความคิดเห็นที่ไม่ดี

ตัวอย่างการรันใช้งาน

จากขั้นตอนที่ 5 ถ้าหากเราเพิ่มรอบการ train ข้อมูลที่เตรียมไว้ จาก 10 เป็น 30 ละ??

และทำการเปลี่ยนความคิดเห็นจาก Code ของขั้นตอนที่ 6

test_data = ["I love this application", "this application is so bad"]

ผลลัพธ์ที่ได้

ค่าที่ได้ มีค่าความน่าจะเป็นมากขึ้นกว่าเก่าเยอะเลย 😮😮

สรุปผล
จากการ Train model รีวิว application เราจะเห็นได้ว่า ค่าความน่าจะเป็นที่ได้จะเพิ่มขึ้นและแม่นยำมากขึ้นเกิดจากการ Train model ที่ประสิทธิภาพ จากตอนแรกที่เรา Train model ไป 10 รอบ ค่าทั้ง 2 จะอยู่ความคิดเห็นที่ดีอยู่ที่ 0.55 และ ที่แย่ 0.41
แต่เมื่อเราเพิ่มรอบ Train model ไปเป็น 30 รอบ ความคิดเห็นจะเพิ่มขึ้นอย่างเห็นได้ชัดโดยความคิดเห็นที่ดีจะอยู่ที่ 0.61 และที่แย่จะอยู่ที 0.31

ดังนั้น การเพิ่มรอบการ Train model และการเตรียมข้อมูลในการ Train จึงเป็นสิ่งสำคัญในการหาความแม่นยำจากตัว AI นั้นเอง

ขอขอบคุณข้อมูลจาก

https://www.tensorflow.org/tutorials/keras/text_classification