การวิเคราะห์ประเด็นอาหารไทยจากคำบรรยาย Youtube ด้วยเทคนิค LDA และ NMF
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มีวัตถุประสงค์เพื่อวิเคราะห์มุมมองที่มีต่ออาหารไทยจากผู้ใช้งานต่างประเทศผ่านคำบรรยายในวิดีโอยูทูป โดยเปรียบเทียบประสิทธิภาพของเทคนิค Latent Dirichlet Allocation (LDA) และ Non-negative Matrix Factorization (NMF) ในการจำแนกประเด็นเกี่ยวกับอาหารไทย ข้อมูลถูกรวบรวมจากวิดีโอยูทูปจำนวน 352 รายการที่เผยแพร่ระหว่างปี พ.ศ. 2553-2567 โดยได้รับการประมวลผลข้อมูลเบื้องต้นและสร้าง N-Gram ก่อนนำไปวิเคราะห์ ผลการศึกษาพบว่าเทคนิค LDA ให้ผลลัพธ์ที่ดีที่สุดที่มีค่าคะแนนความสอดคล้องสูงที่สุดเท่ากับ 0.794 ที่จำนวน 5 หัวข้อ ได้แก่ (1) วัตถุดิบและรสชาติอาหาร (2) ประสบการณ์การท่องเที่ยวและอาหาร (3) องค์ประกอบอาหารไทย (4) อาหารริมทางและความนิยม และ (5) กระบวนการปรุงอาหารและวัตถุดิบ ในขณะที่เทคนิค NMF ให้ผลลัพธ์ที่ดีที่สุดที่มีค่าคะแนนความสอดคล้องสูงที่สุดเท่ากับ 0.956 ที่จำนวน 8 หัวข้อได้แก่ (1) วัตถุดิบและรสชาติอาหารทะเล (2) ความชื่นชอบรสชาติ (3) วัฒนธรรมอาหารริมทาง (4) ส่วนประกอบของแกงไทย (5) ประสบการณ์การทานและรสชาติอาหาร (6) การสำรวจอาหาร (7) อาหารประเภทข้าวและเนื้อสัตว์ และ (8) ประสบการณ์ร้านอาหารและการบริการ จากภาพรวมของผลลัพธ์ทั้งสองเทคนิคนั้นผู้ใช้งานต่างประเทศมองอาหารไทยใน 4 มิติหลัก ได้แก่ รสชาติอันเป็นเอกลักษณ์ วัตถุดิบเฉพาะ ประสบการณ์การรับประทาน และบริบทแวดล้อม การเปรียบเทียบทั้งสองเทคนิคพบว่า LDA มีจุดเด่นในการแสดงความเชื่อมโยงระหว่างองค์ประกอบต่างๆ ของอาหารไทยผ่านการซ้อนทับของคำสำคัญ แต่มีข้อจำกัดในการแยกแยะประเด็นย่อย ในขณะที่ NMF มีความโดดเด่นในการจำแนกประเด็นที่มีความเฉพาะเจาะจง แต่ขาดการเชื่อมโยงระหว่างหัวข้อ การเลือกใช้เทคนิคใดควรพิจารณาจากวัตถุประสงค์การใช้งาน โดยอาจผสมผสานผลลัพธ์จากทั้งสองเทคนิคเพื่อให้ได้มุมมองที่ครบถ้วนในการพัฒนากลยุทธ์ส่งเสริมอาหารไทยในต่างประเทศ
Article Details
เอกสารอ้างอิง
Prapasawasdi U, Wuttisittikulkij L, Borompichaichartkul C, Changkaew L, Saadi M. Cultural tourism behaviors: enhancing the influence of tourists’ perceptions on local Thai Food and Culture. The open psychology journals. 2018 Oct 30;11(1).
สำนักงานนโยบายและยุทธศาสตร์การค้า, กระทรวงพาณิชย์. แนวทางการขยายตลาดสินค้าอาหารไทย. กรุงเทพฯ: สำนักงาน; 2567.
Zhang S, Lopez D, Lam L, Yenumula A, Vu T. A comparative analysis of text mining methodologies for online consumer reviews. Journal of Applied Business and Economics. 2023;25(7): doi:10.33423/jabe.v25i7.6724.
เณรัญชรา กิจวิกรานต์. ภาพลักษณ์อาหารไทย การรับรู้คุณภาพอาหารไทยและแนวโน้มพฤติกรรม การท่องเที่ยวเชิงอาหารของนักท่องเที่ยวชาวต่างประเทศ. วารสารวิชาการการท่องเที่ยวไทยนานาชาติ. 2558;10(1):12–28.
ธัมมามนตร์ คุณรัตนากรณ์, สมจิตร ล้วนจำเริญ, ราณี อิสิชัยกุล, วัชรีภรณ์ ไชยมงคล. อิทธิพลของส่วนประสมการตลาด และภาพลักษณ์ของผลิตภัณฑ์การท่องเที่ยวเชิงวัฒนธรรมที่มีต่อความภักดีในการท่องเที่ยวเพื่อเรียนรู้วัฒนธรรมไทยของนักท่องเที่ยวชาวต่างประเทศ. วารสารดุษฎีบัณฑิตทางสังคมศาสตร์. 2557;4(3):100-117.
Blei DM, Ng AY, Jordan MI. Latent dirichlet allocation. Journal of Machine Learning Research. 2003; 3:993-1022.
Seung D, Lee L. Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems. 2001;13: 3.
Aggarwal CC, Zhai C. An Introduction to Text Mining. In Mining Text Data 2012 Jan 7 (pp. 1-10). Boston, MA: Springer US.
Yadav A, Vishwakarma DK. Sentiment analysis using deep learning architectures: a review. Artificial Intelligence Review. 2020;53(6):4335-4385.
Feldman R, Sanger J. The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge university press; 2007.
Cifci I, Atsız O, Gupta V. The street food experiences of the local-guided tour in the meal-sharing economy: the case of Bangkok. British Food Journal. 2021; 123(12):4030-4048.
Qader WA, Ameen MM, Ahmed BI. An overview of bag of words; importance, implementation, applications, and challenges. In 2019 international engineering conference (IEC). 2019 Jun 23 (pp. 200-204). IEEE.
Scikit-learn: Machine Learning in Python [Internet]. Version 1.3.2. [cited 2024 Dec 11]. Available from: https://scikit-learn.org/stable/ modules/decomposition.html
Chen Y, Zhang H, Liu R, Ye Z, Lin J. Experimental explorations on short text topic mining between LDA and NMF based Schemes. Knowledge-Based Systems. 2019 Jan 1;16.
NLTK: Natural Language Toolkit [Internet]. [cited 2024 Dec 11]. Available from: https://www. nltk.org/.
Gensim: Topic Modeling for Human. [cited 2024 Dec 11]. Available from: https://radimrehurek. com/genism.
George S, Srividhya V. Implicit aspect based sentiment analysis for restaurant review using LDA topic modeling and ensemble approach. International Journal of Advanced Technology and Engineering Exploration. 2023;10(102): 554 –568.
Promsivapallop P, Kannaovakun P. Destination food image dimensions and their effects on food preference and consumption. Journal of destination marketing & management. 2019; 11: 89-100.
Chavarria LC, Phakdee-Auksorn P. Understanding international tourists' attitudes towards street food in Phuket, Thailand. Tourism Management Perspectives. 2017; 21:66-73.
Antón C, Camarero C, Laguna M, Buhalis D. Impacts of authenticity, degree of adaptation and cultural contrast on travellers’ memorable gastronomy experiences. Journal of Hospitality Marketing & Management. 2019;28(7):743–764.
