การพัฒนาระบบแนะนำหนังสือด้วยวิธีการแบบอิงเนื้อหา

ผู้แต่ง

  • ภวิกา อ้วนละมัย สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยีสุขภาพ มหาวิทยาลัยกาฬสินธุ์
  • ธรรมนูญ ปัญญาทิพย์ สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยีสุขภาพ มหาวิทยาลัยกาฬสินธุ์
  • ปนัดดา โพธินาม สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยีสุขภาพ มหาวิทยาลัยกาฬสินธุ์
  • อัจฉรา สุมังเกษตร สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยีสุขภาพ มหาวิทยาลัยกาฬสินธุ์
  • ณรงค์ฤทธิ์ มะสุใส สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยีสุขภาพ มหาวิทยาลัยกาฬสินธุ์
  • ทรงกรด พิมพิศาล สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยีสุขภาพ มหาวิทยาลัยกาฬสินธุ์
  • ไพฑูรย์ ทิพย์สันเทียะ สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยีสุขภาพ มหาวิทยาลัยกาฬสินธุ์

DOI:

https://doi.org/10.14456/jeit.2025.13

คำสำคัญ:

การแนะนำแบบอิงเนื้อหา, การหาความใกล้เคียง, ค่าความถี่คำแบบ TF-IDF

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาอัลกอริทึมและพัฒนาระบบแนะนำหนังสือด้วยวิธีการแบบอิงเนื้อหา     2) พัฒนาระบบแนะนำหนังสือด้วยวิธีการแบบอิงเนื้อหา ข้อมูลที่ใช้ในการทดลองเป็นฐานข้อมูลหนังสือจาก Web Opac งานวิทยบริการ มหาวิทยาลัยกาฬสินธุ์ ประกอบด้วยหนังสือจำนวน 727 เรื่อง เครื่องมือที่ใช้ในการพัฒนา ได้แก่ ภาษา
ไพทอน (Python) และโคแลป (Colab) วิธีการดำเนินการวิจัยได้แก่ การตัดคำด้วยวิธีการประมวลภาษาธรรมชาติ (Natural Language Processing : NLP) หาค่าความถี่ด้วยวิธี TF-IDF และแปลงค่าข้อความเป็นค่าตัวเลขด้วยเทคนิค Label Encoding และหาค่าความใกล้เคียง 2 วิธีการ คือ วิธีการหาความใกล้เคียงแบบโคไซต์ (Cosine Similarity) และวิธีการหาความใกล้เคียงแบบแอดจัสโคไซต์ (Adjusted Cosine) วัดประสิทธิภาพด้วยค่าความถูกต้อง (Accuracy) และค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย (MAE) วิธีการแนะนำหนังสือด้วยวิธีการ Top-N ผลการวิจัยพบว่า การแนะนำหนังสือจำนวน 5 เรื่อง 1) Cosine Similarity มีความถูกต้องร้อยละ 92.97 ค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย 0.0263 2) Adjusted Cosine มีความถูกต้องร้อยละ 88.72 ค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย 0.0153 และแนะนำหนังสือจำนวน 10 เรื่อง 1) Cosine Similarity มีความถูกต้องร้อยละ 92.92 ค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย 0.2819 2) Adjusted Cosine มีความถูกต้อง  ร้อยละ 92.50 ค่าคลาดเคลื่อนสมบูรณ์เฉลี่ย 0.4960 และ Cosine Similarity มีประสิทธิภาพดีกว่าในด้านค่าความถูกต้องในทั้งกรณีแนะนำหนังสือ (Top-N) 5 และ 10 รายการ ขณะที่ Adjusted Cosine มีค่าคลาดเคลื่อนสมบูรณ์เฉลี่ยต่ำกว่าในการแนะนำหนังสือ (Top-N) 5 รายการ แต่สูงกว่าสำหรับ 10 รายการ ผลการวิจัยนี้เน้นย้ำถึงประสิทธิภาพของวิธีการวัดความใกล้เคียงในการพัฒนาระบบแนะนำแบบอิงเนื้อหาอย่างมีประสิทธิภาพ

เอกสารอ้างอิง

[1] A. Jadon and A. Patil, "A comprehensive survey of evaluation techniques for recommendation systems," in Proceedings of the International Conference on Computation of Artificial Intelligence & Machine Learning, Jan. 2024, pp. 281–304.

[2] S. Wang et al., "A survey on session-based recommender systems," ACM Computing Surveys, vol. 54, no. 7, pp. 1–38, 2021.

[3] S. R. S. Reddy et al., "Content-based movie recommendation system using genre correlation," in Smart Intelligent Computing and Applications: Proceedings of the Second International Conference on SCI 2018, vol. 2, pp. 391–397, 2019.

[4] P. Lops et al., "Trends in content-based recommendation: Preface to the special issue on recommender systems based on rich item descriptions," User Modeling and User-Adapted Interaction, vol. 29, pp. 239–249, 2019.

[5] ธนพร เฟื่องขจร, "การพัฒนาบริการแนะนำหนังสือโดยประยุกต์ใช้เทคนิคเหมืองข้อมูลและเทคโนโลยีความเป็นจริงเสริม," วิทยานิพนธ์, มหาวิทยาลัยมหาสารคาม, 2564.

[6] โกเมส อัมพวัน และคณะ, "ระบบแนะนำหนังสืออ่านเพิ่มเติมเพื่อส่งเสริมการอ่านและการศึกษาด้วยตนเอง," มหาวิทยาลัยบูรพา, 2561.

[7] ธรรมนูญ ปัญญาทิพย์, "ระบบให้คำแนะนำภาพยนตร์ด้วยวิธีการผสมผสาน," วิทยานิพนธ์, มหาวิทยาลัยมหาสารคาม, 2562.

[8] Y. Afoudi, M. Lazaar, and M. Al Achhab, "Impact of feature selection on content-based recommendation system," in 2019 International Conference on Wireless Technologies, Embedded and Intelligent Systems (WITS), Apr. 2019, pp. 1–6.

[9] S. Sharma, V. Rana, and M. Malhotra, "Automatic recommendation system based on hybrid filtering algorithm," Education and Information Technologies, vol. 27, no. 2, pp. 1523–1538, 2022.

[10] O. Stitini, S. Kaloun, and O. Bencharef, "An improved recommender system solution to mitigate the over-specialization problem using genetic algorithms," Electronics, vol. 11, no. 2, p. 242, 2022.

[11] P. Jomsri et al., "Hybrid recommender system model for digital library from multiple online publishers," F1000Research, vol. 12, pp. 1–23, 2024.

[12] S. Amara and R. R. Subramanian, "Collaborating personalized recommender system and content-based recommender system using TextCorpus," in 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), Mar. 2020, pp. 105–109.

[13] Y. H. Lee et al., "Small clues tell: A collaborative expansion approach for effective content-based recommendations," Journal of Organizational Computing and Electronic Commerce, vol. 30, no. 2, pp. 111–128, 2020.

[14] A. Gholami and Y. Forghani, "Improving multi-class co-clustering-based collaborative recommendation using item tags," Revue d'Intelligence Artificielle, vol. 34, no. 1, 2020.

[15] S. S. E. Alqallaf, W. M. Medhat, and T. A. El-Shishtawy, "A hybrid recommender framework for selecting a course reference books," Journal of Theoretical and Applied Information Technology, vol. 100, no. 4, pp. 1004–1013, 2022.

[16] A. A. Amer, H. I. Abdalla, and L. Nguyen, "Enhancing recommendation systems performance using highly-effective similarity measures," Knowledge-Based Systems, vol. 217, p. 106842, 2021.

[17] M. Kommineni et al., "Machine learning based efficient recommendation system for book selection using user based collaborative filtering algorithm," in 2020 Fourth International Conference on Inventive Systems and Control (ICISC), Jan. 2020, pp. 66–71.

[18] D. Sarma, T. Mittra, and M. S. Hossain, "Personalized book recommendation system using machine learning algorithm," International Journal of Advanced Computer Science and Applications, vol. 12, no. 1, 2021.

[19] A. K. Sharma et al., "An efficient approach of product recommendation system using NLP technique," Materials Today: Proceedings, vol. 80, pp. 3730–3743, 2023.

[20] Y. C. Chen, L. Hui, and T. Thaipisutikul, "A collaborative filtering recommendation system with dynamic time decay," The Journal of Supercomputing, vol. 77, pp. 244–262, 2021.

[21] N. Ifada, T. F. Rahman, and M. K. Sophan, "Comparing collaborative filtering and hybrid based approaches for movie recommendation," in 2020 6th Information Technology International Seminar (ITIS), Oct. 2020, pp. 219–223.

[22] H. Ko, S. Lee, Y. Park, and A. Choi, "A survey of recommendation systems: Recommendation models, techniques, and application fields," Electronics, vol. 11, no. 1, p. 141, 2022

ดาวน์โหลด

เผยแพร่แล้ว

26-06-2025

รูปแบบการอ้างอิง

[1]
อ้วนละมัย ภ. ., “การพัฒนาระบบแนะนำหนังสือด้วยวิธีการแบบอิงเนื้อหา”, JEIT, ปี 3, ฉบับที่ 3, น. 36–53, มิ.ย. 2025.

ฉบับ

ปีที่ 3 ฉบับที่ 3 (2025): วารสารวิศวกรรมและเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยกาฬสินธุ์ ปีที่ 3 ฉบับที่ 3 (พฤษภาคม - มิถุนายน 2568)

ประเภทบทความ

บทความวิจัย

หมวดหมู่

สัญญาอนุญาต

ลิขสิทธิ์ (c) 2025 วารสารวิศวกรรมและเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยกาฬสินธุ์

Creative Commons License

อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

ลิขสิทธิ์ของวารสาร

เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย ถือเป็นลิขสิทธิ์ของวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด จะต้องได้รับอนุญาตเป็นลายลักอักษรจากวารสารศูนย์ดัชนีการอ้างอิงวารสารไทยก่อนเท่านั้น