បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការចាត់ថ្នាក់ឯកសារបោះពុម្ពផ្សាយវិទ្យាសាស្ត្រដែលកំពុងកើនឡើងយ៉ាងឆាប់រហ័ស ដោយធ្វើការវិភាគលើប្រសិទ្ធភាពនៃក្បួនដោះស្រាយចំណាត់ថ្នាក់អត្ថបទផ្សេងៗ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់កម្មវិធី Rapid Miner ដើម្បីដំណើរការ និងចាត់ថ្នាក់ទិន្នន័យពីអត្ថបទសង្ខេបចំនួន ១ម៉ឺនឯកសារពី Scopus ដោយប្រើប្រាស់ក្បួនដោះស្រាយរួមផ្សំនឹងបច្ចេកទេស Bagging និង Boosting ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Naïve Bayes (NB) ក្បួនដោះស្រាយ Naïve Bayes (ផ្អែកលើទ្រឹស្តីប្រូបាប៊ីលីតេ) |
ងាយស្រួលយល់ មានល្បឿនលឿនក្នុងការគណនា និងទាមទារទិន្នន័យហ្វឹកហាត់តិចតួចដើម្បីទាយលទ្ធផល។ វាអាចទាញយកអត្ថប្រយោជន៍ពីបច្ចេកទេស Boosting បានល្អ។ | វាសន្មតថាគ្រប់លក្ខណៈពិសេស (Features) ទាំងអស់គឺឯករាជ្យពីគ្នា ដែលមិនតែងតែពិតប្រាកដក្នុងទិន្នន័យជាក់ស្តែង ធ្វើឱ្យភាពត្រឹមត្រូវទាបជាងគេនៅពេលមិនប្រើបច្ចេកទេសរួមផ្សំ។ | ផ្តល់ភាពត្រឹមត្រូវទូទៅ (Accuracy) ៧១.១១% និងពិន្ទុ F-Score ៧២.៩៥% លើទិន្នន័យដើម។ |
| K-Nearest Neighbor (K-NN) ក្បួនដោះស្រាយ K-Nearest Neighbor (រៀនដោយប្រៀបធៀបជាមួយភាពជិតបំផុត) |
មានភាពត្រឹមត្រូវខ្ពស់ជាង Naïve Bayes ជាទូទៅងាយស្រួលអនុវត្តសម្រាប់ទិន្នន័យអត្ថបទដែលមានវិមាត្រច្រើន ព្រោះវាប្រៀបធៀបគំរូដោយផ្ទាល់តាមរយៈចម្ងាយ (Euclidean distance)។ | ត្រូវការពេលវេលាគណនាយូរនៅពេលទិន្នន័យតេស្តមានទំហំធំ ព្រោះវាត្រូវស្វែងរកចម្ងាយជាមួយគ្រប់ទិន្នន័យហ្វឹកហាត់ ហើយភាពត្រឹមត្រូវអាស្រ័យខ្លាំងលើការជ្រើសរើសតម្លៃ k ល្អបំផុត។ | ផ្តល់ភាពត្រឹមត្រូវទូទៅ (Accuracy) ៧៨.៦៧% និងពិន្ទុ F-Score ៧៨.៨១%។ |
| Bayesian Boost (K-NN) ក្បួនដោះស្រាយ K-NN រួមផ្សំជាមួយបច្ចេកទេស Bayesian Boost |
ជួយពង្រឹងម៉ូដែលឲ្យកាន់តែមានស្ថិរភាព និងកាត់បន្ថយកំហុសបានយ៉ាងមានប្រសិទ្ធភាព ដោយផ្តល់ទម្ងន់សាឡើងវិញទៅលើទិន្នន័យដែលពិបាកចាត់ថ្នាក់ក្នុងជុំនីមួយៗនៃការហ្វឹកហាត់។ | ប្រើប្រាស់ធនធានម៉ាស៊ីន និងពេលវេលាគណនាច្រើនជាងម៉ូដែលធម្មតា ហើយមានភាពស្មុគស្មាញក្នុងការរៀបចំដំណើរការ (Parameters tuning)។ | ទទួលបានភាពត្រឹមត្រូវទូទៅខ្ពស់បំផុតរហូតដល់ ៨០.០០% និង F-Score ៨០.១៥% ដែលជាលទ្ធផលល្អបំផុតក្នុងការសិក្សានេះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតអំពីតម្លៃ ឬទំហំធនធានកុំព្យូទ័រ (Hardware specs) នោះទេ ប៉ុន្តែបានបញ្ជាក់ច្បាស់លាស់ពីកម្មវិធី និងទិន្នន័យដែលត្រូវបានប្រើប្រាស់។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យឯកសារបោះពុម្ពផ្សាយពី Scopus ដែលជាអត្ថបទវិទ្យាសាស្ត្រជាភាសាអង់គ្លេស។ វាមិនមានផ្ទុកទិន្នន័យ ឬបរិបទជាភាសាខ្មែរឡើយ។ សម្រាប់ប្រទេសកម្ពុជា នេះគឺជាបញ្ហាប្រឈមមួយ ព្រោះភាសាខ្មែរមិនមានការដកឃ្លារវាងពាក្យនិមួយៗច្បាស់លាស់ទេ (No word boundaries) ដែលទាមទារឱ្យមានបច្ចេកទេសបំបែកពាក្យខ្មែរ (Khmer Word Segmentation) ដ៏រឹងមាំជាមុនសិន មុននឹងអាចអនុវត្តក្បួនដោះស្រាយទាំងនេះបានល្អ។
ទោះបីជាជួបបញ្ហាប្រឈមផ្នែកភាសាក៏ដោយ វិធីសាស្ត្ររួមបញ្ចូលគ្នានូវ K-NN និងបច្ចេកទេស Boosting/Bagging សម្រាប់ការចាត់ថ្នាក់ឯកសារ គឺមានអត្ថប្រយោជន៍ និងអាចអនុវត្តបានខ្ពស់នៅក្នុងស្ថាប័ននានានៅកម្ពុជា។
ជារួម បច្ចេកវិទ្យាចាត់ថ្នាក់អត្ថបទនេះអាចដើរតួនាទីយ៉ាងសំខាន់ក្នុងការជំរុញស្វ័យប្រវត្តិកម្ម និងរដ្ឋបាលឌីជីថលនៅកម្ពុជា ប៉ុន្តែស្ថាប័នពាក់ព័ន្ធត្រូវវិនិយោគលើការបង្កើតសំណុំទិន្នន័យ និងបច្ចេកវិទ្យាដំណើរការភាសាខ្មែរ (Khmer NLP) ជាមុន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Feature Extraction | វាជាដំណើរការទាញយកព័ត៌មានឬលក្ខណៈសំខាន់ៗចេញពីទិន្នន័យឆៅ (ដូចជាអត្ថបទទាំងមូល) ហើយបំប្លែងវាទៅជាទម្រង់លេខ ដើម្បីឱ្យកុំព្យូទ័រអាចយល់ គណនា និងរៀនពីវាបានក្នុងការចាត់ថ្នាក់។ | ដូចជាការអានសៀវភៅមួយក្បាល ហើយកត់ត្រាតែចំណុចសំខាន់ៗជាចំណុចៗទុកសម្រាប់ប្រឡង ជំនួសឱ្យការទន្ទេញចាំគ្រប់ពាក្យពេចន៍ទាំងអស់។ |
| K-Nearest Neighbor (K-NN) | វាជាក្បួនដោះស្រាយសម្រាប់ចាត់ថ្នាក់ទិន្នន័យថ្មី ដោយស្វែងរកនិងប្រៀបធៀបវាទៅនឹងទិន្នន័យចាស់ចំនួន K ដែលមានលក្ខណៈស្រដៀងវា (មានចម្ងាយជិតបំផុត) មុននឹងសម្រេចថាវាជាប្រភេទអ្វី។ | ដូចជាការចង់ដឹងថាមនុស្សម្នាក់ជាសិស្សពូកែឬអត់ ដោយគ្រាន់តែមើលទៅលើមិត្តភក្តិជិតស្និទ្ធបំផុតរបស់គេចំនួន ៥ នាក់ បើមិត្តគេពូកែ គេក៏ប្រហែលជាពូកែដែរ។ |
| Naïve Bayes (NB) | វាជាក្បួនដោះស្រាយផ្អែកលើទ្រឹស្តីប្រូបាប៊ីលីតេ (ភាគរយដែលអាចកើតឡើង) ដើម្បីទស្សន៍ទាយចំណាត់ថ្នាក់ ដោយវាសន្មតថាលក្ខណៈពិសេសនីមួយៗនៃទិន្នន័យគឺឯករាជ្យ និងមិនមានទំនាក់ទំនងគ្នាទាល់តែសោះ។ | ដូចជាការទាយថាផ្លែឈើមួយជា 'ផ្លែប៉ោម' ដោយសារតែវាមានពណ៌ក្រហម មូល និងទំហំប៉ុនកណ្តាប់ដៃ ទោះបីជាលក្ខណៈទាំងនេះមិនមានឥទ្ធិពលលើគ្នាក៏ដោយ។ |
| Bagging | វាជាបច្ចេកទេសបង្កើតម៉ូដែលតូចៗជាច្រើនដោយប្រើការចាប់យកទិន្នន័យហ្វឹកហាត់ដោយចៃដន្យ រួចបូកបញ្ចូលលទ្ធផលនៃការទាយរបស់វាបញ្ជូលគ្នា ដើម្បីទទួលបានលទ្ធផលចុងក្រោយដែលសុក្រឹតជាងមុន និងមិនលម្អៀង។ | ដូចជាការសួរមតិពីក្រុមគ្រូពេទ្យជាច្រើននាក់ដាច់ដោយឡែកពីគ្នាអំពីជំងឺមួយ រួចយកចម្លើយដែលគ្រូពេទ្យភាគច្រើនឆ្លើយស្របគ្នាជាការសម្រេចចិត្តចុងក្រោយ។ |
| Boosting | វាជាបច្ចេកទេសហ្វឹកហាត់ម៉ូដែលជាបន្តបន្ទាប់ ដោយម៉ូដែលក្រោយៗត្រូវផ្តល់ការយកចិត្តទុកដាក់ (ផ្តល់ទម្ងន់) កាន់តែខ្លាំងទៅលើទិន្នន័យដែលម៉ូដែលមុនៗបានទាយខុស ដើម្បីកាត់បន្ថយកំហុសរួម។ | ដូចជាសិស្សម្នាក់ដែលប្រឡងធ្លាក់មុខវិជ្ជាគណិតវិទ្យា ដូច្នេះនៅឆមាសបន្ទាប់ គេត្រូវខិតខំរៀនបំប៉នតែមុខវិជ្ជានោះឱ្យបានច្រើនជាងគេដើម្បីឱ្យពិន្ទុរួមបានល្អ។ |
| Tokenization | វាជាដំណើរការបំបែកអត្ថបទវែងៗ ឬកថាខណ្ឌ ឱ្យទៅជាបំណែកតូចៗដាច់ៗពីគ្នា ដូចជាពាក្យនីមួយៗ ឬប្រយោគនីមួយៗ ដើម្បីឱ្យកុំព្យូទ័រងាយស្រួលក្នុងការវិភាគអត្ថន័យ។ | ដូចជាការកាត់នំប៉័ងមួយដើមធំ ឱ្យទៅជាចំណិតស្តើងៗ ដើម្បីងាយស្រួលញ៉ាំ ឬយកទៅច្នៃបន្ត។ |
| Stemming | វាជាដំណើរការកាត់ចោលនូវបច្ច័យ ឬបុព្វបទនៃពាក្យ (ដូចជា -ing, -ed ក្នុងភាសាអង់គ្លេស) ដើម្បីទាញយកទម្រង់ឫសគល់ដើមនៃពាក្យនោះ ដែលជួយកាត់បន្ថយភាពស្មុគស្មាញនៃទិន្នន័យអត្ថបទ។ | ដូចជាការកាត់ស្លឹក និងមែកតូចៗចេញពីដើមឈើ ដោយរក្សាទុកតែគល់និងដើមធំដើម្បីងាយស្រួលក្នុងការដឹកជញ្ជូន និងចាត់ថ្នាក់ប្រភេទឈើ។ |
| TF-IDF | វាជារូបមន្តគណិតវិទ្យាសម្រាប់វាស់ស្ទង់ភាពសំខាន់នៃពាក្យមួយនៅក្នុងឯកសារ ដោយពាក្យដែលលេចឡើងញឹកញាប់ក្នុងឯកសារមួយ ប៉ុន្តែកម្រមានក្នុងឯកសារផ្សេងទៀត នឹងទទួលបានពិន្ទុខ្ពស់។ | ដូចជាពាក្យ 'បាល់ទាត់' នៅក្នុងសៀវភៅកីឡាគឺជារឿងធម្មតា ប៉ុន្តែប្រសិនបើវាលេចឡើងក្នុងសៀវភៅធ្វើម្ហូប វាបញ្ជាក់ថាពាក្យនោះជួយញែកសៀវភៅនោះឱ្យប្លែកពីគេយ៉ាងច្បាស់។ |
| F-measure | វាជារង្វាស់ដែលរួមបញ្ចូលគ្នារវាងភាពជាក់លាក់ (Precision) និងភាពគ្របដណ្តប់ (Recall) ដើម្បីផ្តល់នូវពិន្ទុវាយតម្លៃរួមមួយដែលបង្ហាញពីប្រសិទ្ធភាពពិតប្រាកដ និងតុល្យភាពរបស់ម៉ូដែល។ | ដូចជារង្វាស់សមត្ថភាពរបស់អ្នកនេសាទ ដែលវាស់ទាំងការចាប់បានត្រីចំគោលដៅ (មិនមែនចាប់បានសំរាម) និងការមិនបណ្តោយឱ្យត្រីក្នុងបឹងរួចផុតពីសំណាញ់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
