การสืบค้นเชิงความหมายด้วยเวกเตอร์สำหรับฐานข้อมูลโครงการมหาวิทยาลัย โดยใช้ Transformer Embeddings และการค้นหา Approximate Nearest Neighbor
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) พัฒนากรอบการสืบค้นเชิงความหมายบนพื้นฐานเวกเตอร์สำหรับคลังข้อมูลโครงการของมหาวิทยาลัย 2) ศึกษาผลการทดลองใช้ระบบสืบค้นเชิงความหมายที่ผสานโมเดล Sentence Transformer ร่วมกับอัลกอริทึม Approximate Nearest Neighbor และ 3) ศึกษาผลการประเมินประสิทธิภาพและคุณภาพการจับคู่เชิงความหมายของระบบในบริบทข้อมูลโครงการของมหาวิทยาลัย การดำเนินการวิจัยนี้ประกอบด้วยการรวบรวมข้อมูลกลุ่มตัวอย่าง 937 โครงการ การออกแบบโครงสร้างข้อมูล การพัฒนาแบบจำลอง และการทดสอบประสิทธิภาพของระบบ เครื่องมือที่ใช้ในการวิจัย ได้แก่ ระบบฐานข้อมูล ซอฟต์แวร์ประมวลผลข้อมูล และกรอบการประเมินคุณภาพการสืบค้นเชิงความหมายเพื่อใช้วิเคราะห์ประสิทธิภาพของระบบ
ผลการวิจัยพบว่า 1) กรอบการสืบค้นเชิงความหมายที่พัฒนาขึ้นสามารถค้นคืนโครงการที่มีความเกี่ยวข้องเชิงบริบทได้อย่างมีประสิทธิภาพ โดยมีเวลาตอบสนองอยู่ในระดับที่เหมาะสมสำหรับระบบสืบค้นเชิงโต้ตอบ และสามารถแยกแยะโครงการที่เกี่ยวข้องสูงออกจากโครงการที่เกี่ยวข้องต่ำได้อย่างชัดเจน 2) การศึกษาผลการทดลองใช้ระบบสืบค้นเชิงความหมาย พบว่าการใช้ Sentence Transformer ร่วมกับดัชนี ANN (Annoy) ช่วยเพิ่มความแม่นยำของผลลัพธ์เมื่อเทียบกับการสืบค้นแบบใช้คำสำคัญ โดยเฉพาะในข้อมูลภาษาไทยที่มีความหลากหลายของถ้อยคำและเมทาดาทาไม่สมบูรณ์ และ 3) ผลการประเมินประสิทธิภาพระบบ พบว่าค่าตัวชี้วัด Response Level อยู่ในระดับดี สะท้อนความสามารถของระบบในการตอบสนองต่อเจตนาของผู้ใช้ และแสดงให้เห็นศักยภาพของการประยุกต์ใช้การสืบค้นเชิงความหมายเพื่อสนับสนุนการจัดการองค์ความรู้และการตัดสินใจเชิงข้อมูลในสถาบันอุดมศึกษา
Article Details
เอกสารอ้างอิง
Uttaradit Rajabhat University, “Engagement Information System: Semantic Search System,” 2025. [Online]. Available: https://info.uru.ac.th/engagement/semantic-search.
P. Netisopakul, G. Wohlgenannt, A. Pulich, and Z. Z. Hlaing, “Improving the state-of-the-art in Thai semantic similarity using distributional semantics and ontological information,” PLOS ONE, vol. 16,
C. D. Manning, P. Raghavan, and H. Schütze, Introduction to Information Retrieval. Cambridge, UK: Cambridge University Press, 2008.
P. D. Turney and P. Pantel, “From frequency to meaning: Vector space models of semantics,” Journal of Artificial Intelligence Research, vol. 37, pp. 141–188, 2010, doi: 10.1613/jair.2834.
J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of deep bidirectional transformers for language understanding,” in Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT), Minneapolis, MN, USA, 2019, pp. 4171–4186, doi: 10.18653/v1/N19-1423.
N. Reimers and I. Gurevych, “Sentence-BERT: Sentence embeddings using Siamese BERT networks,” in Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), Hong Kong, China, 2019, pp. 3982–3992, doi: 10.18653/v1/D19-1410.
J. Johnson, M. Douze, and H. Jégou, “Billion-scale similarity search with GPUs,” IEEE Transactions on Big Data, vol. 7, no. 3, pp. 535–547, 2019, doi: 10.1109/TBDATA.2019.2921572.
E. Bernhardsson, “Annoy: Approximate nearest neighbors in C++/Python,” 2018. [Online]. Available: https://github.com/spotify/annoy.
T. Junlabuddee and K. Tuamsuk, “Semantic search system for research data in information science,” Journal of Information Science (Thailand), vol. 39, no. 3, pp. 43–61, 2021. (in Thai)
N. Kaewboonma, J. Panawong, E. Pianhanuruk, and M. Buranarach, “Development of intelligent semantic search system for rubber research data in Thailand,” in AIP Conference Proceedings, vol. 1891, no. 1, p. 020073, 2017, doi: 10.1063/1.5005333.
K. Jearanaitanakij et al., “Thai question-answering system using similarity search and LLM,” ECTI Transactions on Computer and Information Technology (ECTI-CIT), vol. 18, no. 3, pp. 406–416, 2024, doi: 10.37936/ecti-cit.2024183.255313.
J. Guo, Y. Fan, Q. Ai, and W. B. Croft, “A deep relevance matching model for ad-hoc retrieval,” in Proceedings of the 25th ACM International Conference on Information and Knowledge Management, Indianapolis, IN, USA, 2016, pp. 55–64, doi: 10.1145/2983323.2983769.
V. Karpukhin et al., “Dense passage retrieval for open-domain question answering,” in Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2020, pp. 6769–6781, doi: 10.18653/v1/2020.emnlp-main.550.
S. Zhang, L. Yao, A. Sun, and Y. Tay, “Deep learning based recommender system: A survey and new perspectives,” ACM Computing Surveys, vol. 52, no. 1, pp. 1–38, 2019, doi: 10.1145/3285029.
P. Indyk and R. Motwani, “Approximate nearest neighbors: Toward removing the curse of dimensionality,” in Proceedings of the 30th Annual ACM Symposium on Theory of Computing, Dallas, TX, USA, 1998, pp. 604–613, doi: 10.1145/276694.276876.
R. Baeza-Yates and B. Ribeiro-Neto, Modern Information Retrieval: The Concepts and Technology Behind Search, 2nd ed. Boston, MA, USA: Addison-Wesley, 2011.
T. Wolf et al., “Transformers: State-of-the-art natural language processing,” in Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, 2020, pp. 38–45, doi: 10.18653/v1/2020.emnlp-demos.6.
Y. A. Malkov and D. A. Yashunin, “Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 4, pp. 824–836, 2020, doi: 10.1109/TPAMI.2018.2889473.
