โมเดลการเรียนรู้เชิงลึกสำหรับการวิเคราะห์บทวิจารณ์ออนไลน์เพื่อยกระดับคุณภาพบริการโรงแรม 1-3 ดาวในพื้นที่สามบุรี
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลการเรียนรู้เชิงลึกและพัฒนากลยุทธ์การตลาดและการให้บริการที่ขับเคลื่อนด้วยข้อมูลในการวิเคราะห์บทวิจารณ์ออนไลน์ในธุรกิจโรงแรมในพื้นที่สามบุรี ได้แก่ จังหวัดลพบุรี สระบุรี และสิงห์บุรี ครอบคลุมโรงแรมที่มีระดับดาว 1 ถึง 3 ดาว โดยใช้ข้อมูลจากแพลตฟอร์ม Agoda โดยประยุกต์ใช้โมเดล LSTM ในการจำแนกความคิดเห็น เชิงบวก เชิงลบ และเป็นกลางจากบทวิจารณ์ระหว่างปี พ.ศ. 2566–2567 จำนวนทั้งสิ้น 2,767 บทวิจารณ์ ผลการวิจัย พบว่า โมเดล LSTM ที่พัฒนาขึ้นมีความแม่นยำ (Accuracy) = 0.8297 สามารถจำแนกบทวิจารณ์เชิงลบที่มีค่าความเที่ยงตรง (Precision) = 0.9079, ค่าความถูกต้อง (Recall) = 0.8920 และค่าเฉลี่ยของค่าความเที่ยงตรงกับค่าความถูกต้อง (F1-score) = 0.8999 ซึ่งสะท้อนถึงความสามารถของโมเดลในการรับรู้ลักษณะเฉพาะของความคิดเห็นเชิงลบที่มักใช้ภาษาชัดเจนและตรงไปตรงมา โดยการวิเคราะห์ระบุว่าคำที่พบบ่อย ในบทวิจารณ์เชิงลบ ได้แก่ “ห้องพัก”, “อาหารเช้า”, “ความสะอาด”, “ที่จอด”, “ที่นอน” และ “ห้องเก่า” เป็นหลัก สำหรับการจำแนกบทวิจารณ์เป็นกลาง โมเดลให้ผลลัพธ์อยู่ในระดับน่าพอใจ F1-score = 0.8510 ขณะที่การจำแนกบทวิจารณ์เชิงบวกมีค่า F1-score = 0.6527 โดยวิเคราะห์ระบุว่าคำที่พบบ่อยในบทวิจารณ์เชิงบวก ได้แก่ ห้องพัก”, “อาหารเช้า”, “ความสะอาด” และ “บริการดี” ซึ่งอาจเกิดจากลักษณะภาษาที่หลากหลายและตีความยาก โดยรวม โมเดล LSTM ที่พัฒนาขึ้นแสดงให้เห็นถึงศักยภาพในการนำไปประยุกต์ใช้จริง ในการวิเคราะห์ความคิดเห็นและจำแนกข้อความในบริบทของธุรกิจโรงแรมและการบริการได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารวิทยาการจัดการ มหาวิทยาลัยสงขลานครินทร์ อย่างไรก็ตาม กองบรรณาธิการไม่สงวนลิขสิทธิ์ในการทำซ้ำ คัดลอก หรือเผยแพร่ แต่จะต้องอ้างอิงให้ถูกต้องตามหลักวิชาการ
เอกสารอ้างอิง
Badouch, M., & Boutaounte, M. (2024). Design and implementation of a hotel recommendation system using deep learning. In AI and data engineering solutions for effective marketing (pp. 21). IGI Global.
Chinedu, J. K. (2024). Impact of online reviews hotel booking intentions among millennials in Nigeria. Journal of Hospitality and Tourism, 4(2), 1–11.
Chollet, F., & Watson, M. (2024). Deep learning with Python (3rd ed.). Manning Publications.
Daza, A., González Rueda, N. D., Aguilar Sánchez, M. S., Robles Espíritu, W. F., & Chauca Quiñones, M. E. (2024). Sentiment analysis on e-commerce product reviews using machine learning and deep learning algorithms: A bibliometric analysis, systematic literature review, challenges and future works. International Journal of Information Management Data Insights, 4(2), 100267.
El-Said, O. A. (2020). Impact of online reviews on hotel booking intention: The moderating role of brand image, star category, and price. Tourism Management Perspectives, 33, 100604.
Gabbard, D. (2023). The impact of online reviews on hotel performance. Journal of Modern Hospitality, 2(1), 26–36.
Jitboonyapinit, C., Maneerat, P., & Chirawichitchai, N. (2022). Development of a sentiment analysis model on Thai social media using deep learning techniques. Huachiew Chalermprakiet Journal of Science and Technology, 8(2), 8–18.
Klaokliang, J. (2021). Evaluating model performance Confusion Matrix Medium. Retrieved June 13, 2024, from https://nattrio.medium.com/confusionmatrix
Liu, H., Huang, M., & Zhang, P. (2025). The influence of social media marketing on the quality of hotel services and the behavioral intentions of tourists. Acta Psychologica, 255, 104881.
Nicolau, J. L., Xiang, Z., & Wang, D. (2024). Daily online review sentiment and hotel performance. International Journal of Contemporary Hospitality Management, 36(3), 790-811.
Pohuda, N. (2023). The influence of OTA channels on the tourism industry. Scientific Notes of Taurida National V I Vernadsky University Series Economy and Management, 73(2), 43-51.
Roy, G. (2023). Travelers’ online review on hotel performance Analyzing facts with the Theory of Lodging and sentiment analysis. International Journal of Hospitality Management, 111, 103459.
SiteMinder. (2024). Hotel Booking Trends. Retrieved January 10, 2025, from https://siteminder.com/th/r/hotel-classifications/
Theworldbizs. (2024). Promote the Thai Charm Festival in 5 regions, boost tourism. Retrieved March 1, 2025, form https://theworldbizs.com/2024/08/06/19643/
Tulyakawat, T. (2024). 3 challenging issues for the hotel business. Retrieved July 06, 2024, from https://krungthai.com/
Villegas, F. (2024). Word cloud generator. QuestionPro. Retrieved January 20, 2025, from https://questionpro.com/blog/
Wu, P., Sun, S., Zhou, L., Yao, Y., & Deveci, M. (2025). Platforms empower: Mining online reviews for supporting consumers decisions. Journal of Retailing and Consumer Services, 84, 104214.
Xu, W., Yao, Z., Ma, Y., & Li, Z. (2025). Understanding customer complaints from negative online hotel reviews: A BERT-based deep learning approach. International Journal of Hospitality Management, 126, 104057.
Yang, D., & Liu, P. (2025). Utilizing AI to manage rapport: ERNIE Bot’s interpersonal strategies to respond to negative hotel reviews. Lingua, 315, 103874.
Zhang, C., Cheng, X., Li, K., & Li, B. (2025). Hotel recommendation mechanism based on online reviews considering multiattribute cooperative interactive characteristics. Omega, 130, 103173.
Zhang, D., & Niu, B. (2024). Leveraging online reviews for hotel demand forecasting: A deep learning approach. Information Processing & Management, 61(1), 103527.
Zhu, J. J., Chang, Y. -C., Ku, C. -H., Li, S. Y., & Chen, C. -J. (2021). Online critical review classification in response strategy and service provider rating: Algorithms from heuristic processing, sentiment analysis to deep learning. Journal of Business Research, 129, 860–877.
