In today’s rapidly expanding e-commerce environment, the massive volume of product reviews makes it crucial to summarize user opinions in a way that is both comprehensible and practically applicable. This research presents a system for analyzing product reviews using Aspect-Based Sentiment Analysis (ABSA), a Natural Language Processing (NLP) technique that identifies key aspects of a review (such as shipping, product quality, and packaging) and evaluates the sentiment (positive, negative, or neutral) associated with each aspect, allowing both consumers and merchants to gain more efficient access to in-depth insights. This project focuses on developing AI for Thai-language ABSA by utilizing WangchanBERTa, a model trained on Thai data, and comparing it with various standard approaches such as TF-IDF + Logistic Regression, Word2Vec + BiLSTM, and Multilingual BERT (mBERT/XLM-R) to assess their performance in terms of accuracy, speed, and resource usage. Additionally, a dashboard visualization is provided to help users quickly grasp review trends. The expected outcome is to create an AI tool that can be practically employed in the e-commerce industry, enabling consumers to make easier purchasing decisions and assisting merchants in effectively improving their products and services.
ปัจจุบันการซื้อขายสินค้าออนไลน์เติบโตขึ้นอย่างรวดเร็ว ทำให้ข้อมูลรีวิวสินค้าจากผู้บริโภคมีปริมาณเพิ่มขึ้นเป็นจำนวนมาก รีวิวเหล่านี้มีบทบาทสำคัญในการตัดสินใจซื้อของลูกค้าและการปรับปรุงคุณภาพสินค้าของร้านค้า อย่างไรก็ตาม ปริมาณข้อมูลที่มากเกินไปและความหลากหลายของรูปแบบการแสดงความคิดเห็นทำให้การสรุปและวิเคราะห์ข้อมูลเหล่านี้เป็นไปได้ยาก ผู้บริโภคต้องใช้เวลามากในการอ่านรีวิวจำนวนมากเพื่อสรุปแนวโน้มความคิดเห็น ในขณะที่ร้านค้าประสบปัญหาในการวิเคราะห์ข้อมูลรีวิวเพื่อปรับปรุงผลิตภัณฑ์และบริการ เพื่อแก้ไขปัญหานี้ งานวิจัยนี้นำเสนอการประยุกต์ใช้ Aspect-Based Sentiment Analysis (ABSA) ซึ่งเป็นเทคนิคใน Natural Language Processing (NLP) ที่สามารถแยกแยะ แง่มุมสำคัญของรีวิวสินค้า (Aspects) และวิเคราะห์ อารมณ์ของแต่ละแง่มุม (Sentiments) โดยอัตโนมัติ การนำเทคนิคนี้มาใช้จะช่วยให้ผู้บริโภคสามารถรับข้อมูลเชิงลึกจากรีวิวได้ง่ายขึ้น และช่วยให้ร้านค้าสามารถใช้ข้อมูลรีวิวเพื่อปรับปรุงสินค้าและบริการอย่างมีประสิทธิภาพ โครงงานนี้ยังมุ่งเน้นการศึกษาว่า แนวทาง AI แบบใดมีประสิทธิภาพสูงสุดในการทำ ABSA สำหรับภาษาไทย โดยเปรียบเทียบ วิธีการประมวลผลภาษาธรรมชาติแบบดั้งเดิม กับเทคนิคการเรียนรู้เชิงลึกที่ทันสมัย เพื่อให้ได้แนวทางที่เหมาะสมที่สุด พร้อมทั้งพัฒนา Dashboard Visualization ที่ช่วยให้ข้อมูลรีวิวถูกนำเสนอในรูปแบบที่เข้าใจง่ายและสามารถนำไปใช้งานจริงในอุตสาหกรรมอีคอมเมิร์ซ
คณะวิศวกรรมศาสตร์
Under The National Broadcasting and Telecommunications Commission (NBTC), the Telecommunication Enforcement Bureau collects a lot of data on service quality by monitoring and controlling the quality of telecommunications services, mainly by assessing mobile network infrastructure. The NBTC used Microsoft Excel for data analysis but became ineffective and slow. We used Python programming for preparation, analysis, and data processing to address this. Raw data was obtained from the Syberiz program in CSV format, processed in Python, and displayed on a dashboard. The dashboard, developed using Power BI, meets NBTC's telecommunications quality standards. It features maps, test results, and graphical representations. This method enhances the dashboard's appearance and usability and speeds up data processing and visualization compared to Microsoft Excel. This project is primarily designed to help the Telecommunication Enforcement Bureau's operations by making data processing and display for telecommunications quality monitoring faster, more effective, and easier to use.
คณะวิศวกรรมศาสตร์
The Thai Sign Language Generation System aims to create a comprehensive 3D modeling and animation platform that translates Thai sentences into dynamic and accurate representations of Thai Sign Language (TSL) gestures. This project enhances communication for the Thai deaf community by leveraging a landmark-based approach using a Vector Quantized Variational Autoencoder (VQVAE) and a Large Language Model (LLM) for sign language generation. The system first trains a VQVAE encoder using landmark data extracted from sign videos, allowing it to learn compact latent representations of TSL gestures. These encoded representations are then used to generate additional landmark-based sign sequences, effectively expanding the training dataset using the BigSign ThaiPBS dataset. Once the dataset is augmented, an LLM is trained to output accurate landmark sequences from Thai text inputs, which are then used to animate a 3D model in Blender, ensuring fluid and natural TSL gestures. The project is implemented using Python, incorporating MediaPipe for landmark extraction, OpenCV for real-time image processing, and Blender’s Python API for 3D animation. By integrating AI, VQVAE-based encoding, and LLM-driven landmark generation, this system aspires to bridge the communication gap between written Thai text and expressive TSL gestures, providing the Thai deaf community with an interactive, real-time sign language animation platform.
คณะวิทยาศาสตร์
Recruitment is a crucial process that enables organizations to select candidates whose qualifications match the requirements of a given position. However, this process often faces challenges related to data management, delays, and human bias. This research aims to design and develop an intelligent web application for employee recruitment using artificial intelligence (AI) technology to evaluate and score candidates' suitability for job positions. The system leverages data analysis techniques on resumes and a qualification-matching process based on predefined criteria. Developed using Agile principles, the system employs Natural Language Processing (NLP) to analyze resumes, assess candidates’ qualifications, skills, and experience, and utilizes Machine Learning to predict and rank suitability. The system consolidates data from multiple sources into a unified database to reduce redundancy and input errors. Additionally, it presents insights through a dashboard, enabling HR teams to make more effective hiring decisions.