SENTIMENT ENHANCED CF: UTILIZING SIEBERT FOR OPTIMIZED RECOMMENDATION

Abstract

The rapid increase in review data within the e-commerce industry has led to the problem of information overload, making purchasing decisions more difficult. Recommender systems have therefore been developed to filter information and enhance decision-making efficiency, with collaborative filtering-based recommender systems being among the most widely adopted in this industry. However, such systems still face limitations, including data sparsity and an overreliance on rating scores, which may not fully capture consumers' true sentiments. This study proposes an alternative approach by utilizing the SieBERT model to perform sentiment analysis on review texts from the Amazon Kindle Review dataset. The resulting sentiment scores are then integrated with the original ratings using three different weighted combination formulas. The enhanced data are subsequently applied to three types of recommender systems: User-based Collaborative Filtering, Item-based Collaborative Filtering, and a Hybrid Collaborative Filtering method that combines User-based and Item-based approaches through a weighted linear combination. System performance is evaluated using MAE, RMSE, and Precision@10 metrics. Experimental results demonstrate that integrating sentiment scores helps significantly improves the prediction accuracy of consumer interests. Notably, using sentiment scores alone yields the best results in terms of MAE and RMSE, while using rating scores alone achieves the highest Precision@10 across all recommender systems.

การเพิ่มขึ้นอย่างรวดเร็วของข้อมูลรีวิวในอุตสาหกรรมอีคอมเมิร์ซส่งผลให้เกิดปัญหาข้อมูลล้นเกิน (Information Overload) ซึ่งทำให้เกิดความยากต่อการตัดสินใจซื้อสินค้า ระบบแนะนำ (Recommender System) จึงถูกพัฒนาขึ้นเพื่อช่วยคัดกรองข้อมูลและเพิ่มประสิทธิภาพในการตัดสินใจ โดยระบบที่ได้รับความนิยมคือระบบแนะนำแบบการกรองข้อมูลร่วม (Collaborative Filtering) อย่างไรก็ตาม ระบบดังกล่าวยังมีข้อจำกัด เช่น ความกระจัดกระจายของข้อมูล (Sparsity) และการพึ่งพาคะแนนเรตติ้งเพียงอย่างเดียวซึ่งไม่สะท้อนอารมณ์ของผู้บริโภคอย่างแท้จริง งานวิจัยนี้นำเสนออีกหนึ่งแนวทางโดยใช้แบบจำลอง SieBERT สำหรับวิเคราะห์ความรู้สึก (Sentiment Analysis) จากข้อความรีวิวในชุดข้อมูล Amazon Kindle Review แล้วผสานคะแนนความรู้สึก (sentiment scores) เข้ากับคะแนนเรตติ้งด้วยสมการถ่วงน้ำหนัก 3 รูปแบบ จากนั้นนำข้อมูลที่ได้ไปใช้ในระบบแนะนำ 3 ประเภท ได้แก่ ระบบแนะนำแบบการกรองข้อมูลโดยพึ่งพาผู้ใช้ร่วมโดยอิงผู้ใช้ (User-based Collaborative Filtering), ระบบแนะนำแบบการกรองข้อมูลโดยพึ่งพาผู้ใช้ร่วมโดยอิงรายการ (Item-based Collaborative Filtering) และระบบแนะนำแบบผสม (Hybrid Collaborative Filtering) ที่รวม User-based และ Item-based เข้าด้วยกันผ่านวิธีการผสมเชิงเส้นแบบถ่วงน้ำหนัก (Weighted Linear Combination) และประเมินประสิทธิภาพด้วยค่า MAE RMSE และ precision@10 ผลการทดลองแสดงให้เห็นว่าการผสานค่า sentiment scores ช่วยเพิ่มความแม่นยำในการคาดการณ์ความสนใจของผู้บริโภคได้อย่างมีนัยสำคัญ โดยเฉพาะอย่างยิ่งการใช้ sentiment scores เพียงอย่างเดียวให้ผลลัพธ์ที่ดีที่สุดในแง่ของ MAE และ RMSE ในขณะที่การใช้คะแนนเรตติ้งเพียงอย่างเดียวให้ค่า precision@10 สูงที่สุดในทุกระบบแนะนำ