Ανάλυση συναισθήματος με χρήση τεχνικών μηχανικής μάθησης

Χριστοπούλου, Αικατερίνη

Ανάλυση συναισθήματος με χρήση τεχνικών μηχανικής μάθησης

dc.contributor.advisor	Κωτσιαντής, Σωτήριος
dc.contributor.author	Χριστοπούλου, Αικατερίνη
dc.contributor.committee	Κωτσιαντής, Σωτήριος
dc.contributor.committee	Ράγγος, Όμηρος
dc.contributor.committee	Δημητρίου, Ιωάννης
dc.contributor.other	Christopoulou, Aikaterini
dc.date.accessioned	2018-04-12T06:28:41Z
dc.date.available	2018-04-12T06:28:41Z
dc.date.copyright	2017-09
dc.degree	Μεταπτυχιακή Εργασία	el
dc.description.abstract	H συνεχόμενη ανάπτυξη του διαδικτύου δημιούργησε νέους τρόπους επικοινωνίας. Τα social media παράγουν ένα τεράστιο όγκο δεδομένων σε μορφή κειμένου, τα οποία παρέχουν πληροφορίες για τις απόψεις και τα συναισθήματα των χρηστών. Σκοπός της Εξόρυξης Δεδομένων (Data Mining) και Ανάλυσης Συναισθήματος (Sentiment Analysis) είναι η επεξεργασία των πληροφοριών αυτών και η εξαγωγή συμπερασμάτων ως προς τα συναισθήματα των χρηστών και τη πολικότητα του κειμένου. Το οποίο είναι πολύ χρήσιμο κυρίως στην εξέλιξη και ανάπτυξη των εταιρειών. Η παρούσα διπλωματική εργασία μελετάει τις τεχνικές και τα εργαλεία της Ανάλυσης Συναισθήματος. Έπειτα, εξετάζονται οι κατηγορίες των τεχνικών Ανάλυσης Συναισθήματος, οι οποίες είναι οι τεχνικές με λεξικά, τεχνικές με επιβλεπόμενη και μη-επιβλεπόμενη μηχανική μάθηση. Στη συνέχεια γίνεται μελέτη και σύγκριση διαφορετικών μοντέλων κατηγοριοποίησης κειμένων από σελίδες κριτικής ταινιών (IMDb). Αλγόριθμοι που θα χρησιμοποιηθούν είναι ο Πολυωνυμικός «Αφελής» Bayes (Multinomial Naive Bayes) και οι Μηχανές Διανυσμάτων Υποστήριξης (SVM). Τα μοντέλα κατηγοριοποίησης υλοποιούνται μέσω του προγραμματιστικού περιβάλλοντος Weka.	el
dc.description.translatedabstract	The continuous development of the internet has created new ways of communications. Social media produce a vast amount of information about the users’ opinions and sentiments. The aim of Data Mining and Sentiment Analysis is to process this data and export conclusions, regarding the polarity of a text. Sentiment Analysis has become a main priority for every company and organization. In this dissertation different methods of sentiment analysis will be examined. Those methods are Dictionary Based techniques, Supervised and Unsupervised Machine Learning, as well as their combination. Finally there will be a comparison and examination of the application of different classifiers on a data set from a movie review site (IMDb). The Algorithms used are the Multinomial Naive Bayes and Support Vector Machines. The models for the classification will be implemented through the programming environment “Weka”.	el
dc.identifier.uri	http://hdl.handle.net/10889/11186
dc.language.iso	gr	el
dc.rights	0	el
dc.subject	Ανάλυση συναισθήματος	el
dc.subject	Κοινωνικά δίκτυα	el
dc.subject	Επιβλεπόμενη μηχανική μάθηση	el
dc.subject	Μη-επιβλεπόμενη μηχανική μάθηση	el
dc.subject	Τεχνικές με λεξικά	el
dc.subject	Τεχνικές με λεξικά	el
dc.subject	Μικρο-ιστολόγια	el
dc.subject	Πολικότητα κειμένου	el
dc.subject	Ταξινομητές	el
dc.subject	Πολυωνυμικός «αφελής»	el
dc.subject	Διανυσμάτων υποστήριξης	el
dc.subject.alternative	Sentiment analysis	el
dc.subject.alternative	Social networks	el
dc.subject.alternative	Supervised machine learning learning	el
dc.subject.alternative	Unsupervised machine learning	el
dc.subject.alternative	Lexicon	el
dc.subject.alternative	Microblogs	el
dc.subject.alternative	Classifier	el
dc.subject.alternative	Text polarity	el
dc.subject.alternative	Multinomial naive bayes	el
dc.subject.alternative	Support Vector Machines (SVM)	el
dc.subject.ddc	006.312	el
dc.title	Ανάλυση συναισθήματος με χρήση τεχνικών μηχανικής μάθησης	el
dc.title.alternative	Sentiment analysis with machine learning	el
dc.type	Thesis	el

Files

Original bundle

Now showing 1 - 1 of 1

Name:: Ανάλυση συναισθήματος με χρήση τεχνικών μηχανικής μάθησης.pdf
Size:: 2.06 MB
Format:: Adobe Portable Document Format

Download

License bundle

Now showing 1 - 1 of 1

Name:: license.txt
Size:: 6.2 KB
Format:: Item-specific license agreed upon to submission
Description:

Download

Collections

Τμήμα Μαθηματικών (ΜΔΕ)