Πρόβλεψη συστάσεων προϊόντων σε δεδομένα ηλεκτρονικών αγορών με τη χρήση επεξεργασίας φυσικής γλώσσας και τεχνικών μηχανικής μάθησης
| datacite.contributor.Supervisor | Καρακαπιλίδης Νικόλαος | |
| datacite.contributor.Supervisor | Λαζανάς Αλέξης | |
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Γκιζελής, Χαράλαμπος | |
| dc.contributor.other | Gizelis, Charalampos | |
| dc.date.accessioned | 2021-06-25T07:26:38Z | |
| dc.date.available | 2021-06-25T07:26:38Z | |
| dc.date.copyright | 2021-06-24 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | Η ραγδαία ανάπτυξη της τεχνολογίας και ταυτόχρονα του διαδικτύου, τα τελευταία χρόνια, έχει επιφέρει αξιοσημείωτες αλλαγές στον τρόπο επικοινωνίας, ενημέρωσης και φυσικά στον χώρο της αγοράς προϊόντων. Το ηλεκτρονικό εμπόριο, στις μέρες μας, αποτελεί τον κυρίαρχο τρόπο αγορών, ωστόσο ο μεγάλος όγκος πληροφοριών στις ηλεκτρονικές αγορές, αναδεικνύει την πολυπλοκότητα της διαδικασίας. Το συγκεκριμένο «πρόβλημα» καλούνται να αντιμετωπίσουν τα Συστήματα Συστάσεων (Recommender Systems), εντοπίζοντας προϊόντα ή υπηρεσίες σύμφωνα με τα ενδιαφέροντα κάθε χρήστη-πελάτη. Στη παρούσα Διπλωματική εργασία, προσεγγίζουμε τον τομέα των συστάσεων-προτάσεων χρησιμοποιώντας Επεξεργασία Φυσικής Γλώσσας. Παρουσιάζουμε εφαρμογές και αλγόριθμους της Μηχανικής Μάθησης, αναλύουμε μεθόδους και τεχνικές της επεξεργασίας φυσικής γλώσσας και κάνουμε μια ανασκόπηση σχετικά με την χρήση της τελευταίας στον τομέα των συστάσεων. Επιπλέον, εισάγουμε την τεχνική της ανάλυσης συναισθημάτων και παρουσιάζουμε τα αποτελέσματα που προκύπτουν όταν συνδυαστεί με την επεξεργασία φυσικής γλώσσας. Τέλος, χρησιμοποιώντας την γλώσσα προγραμματισμού Python, επεξεργαζόμαστε κριτικές για κινητά τηλέφωνα που έγιναν από πελάτες της εταιρείας Amazon.com. Σκοπός μας είναι να εφαρμόσουμε τεχνικές επεξεργασίας φυσικής γλώσσας, αλγόριθμους μηχανικής μάθησης και ανάλυση συναισθήματος πάνω στα κείμενα των κριτικών κινητών τηλεφώνων, για να εντοπίσουμε ποιες λέξεις έχουν μεγαλύτερη σημασία-βαρύτητα στην πρόταση προϊόντος. | el |
| dc.description.translatedabstract | The rapid development of technology and at the same time of the internet, in recent years, has brought about remarkable changes in the way of communication, information and of course in the field of product marketing. E-commerce, nowadays, is the dominant way of shopping, however, the large volume of information in e-shopping, highlights the complexity of the process. The specific "problem" is called to deal with the Recommender Systems, identifying products or services according to the interests of each user-client. In this Thesis, we approach the topic of recommendations-proposals using Natural Language Processing (NLP). We present applications and algorithms of Machine Learning, analyze methods and techniques of natural language processing and make a review on the use of the latter in the field of recommendations. In addition, we introduce the technique sentiment analysis and present the results that arise when combining that technique with natural language processing. Finally, using the Python programming language, we process reviews for mobile phones made by Amazon.com customers. Our goal is to apply natural language processing techniques, machine learning algorithms and sentiment analysis to the texts of mobile reviews, to identify which words are most important in the product recommendation. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/14865 | |
| dc.language.iso | gr | el |
| dc.subject | Συστήματα συστάσεων | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Επεξεργασία φυσικής γλώσσας | el |
| dc.subject | Ανάλυση συναισθήματος | el |
| dc.subject.alternative | Recommender systems | el |
| dc.subject.alternative | Machine learning | el |
| dc.subject.alternative | Natural language processing | el |
| dc.title | Πρόβλεψη συστάσεων προϊόντων σε δεδομένα ηλεκτρονικών αγορών με τη χρήση επεξεργασίας φυσικής γλώσσας και τεχνικών μηχανικής μάθησης | el |
| dc.title.alternative | Predicting items’ recommendations in e-market’s datasets through the exploitation of NLP and ML techniques | el |
| oaire.licenseCondition | null | el |