Προηγμένες τεχνικές μηχανικής μάθησης για πρόβλεψη και ταξινόμηση με χρήση συναισθηματικής ανάλυσης και ενεργής μάθησης
Loading...
Date
2025-05-05
Authors
Καρανικόλα, Αικατερίνη
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διδακτορική διατριβή εστιάζει στη διερεύνηση τεχνικών Μηχανικής Μάθησης οι οποίες αξιοποιούν την Ανάλυση Συναισθήματος και την Ενεργή Μάθηση, με κεντρικό στόχο τη βελτίωση υπαρχουσών, αποδοτικών μεθόδων. Τα ζητήματα που εξετάζονται μπορούν να διακριθούν σε δύο βασικές ενότητες.
Η πρώτη ενότητα εστιάζει στη χρήση της Ανάλυσης Συναισθήματος σε οικονομικές εφαρμογές. Αρχικά, μελετάται η πρόβλεψη οικονομικών χρονοσειρών αξιοποιώντας δεδομένα από τα μέσα κοινωνικής δικτύωσης και συγκεκριμένα από το Twitter, προκειμένου να αποτυπωθεί και να εκτιμηθεί η άποψη της κοινής γνώμης. Για το σκοπό αυτό, σχεδιάστηκαν δύο εκτεταμένες πειραματικές διαδικασίες: η πρώτη βασίζεται κυρίως σε κλασικές μεθόδους Μηχανικής Μάθησης, ενώ η δεύτερη σε τεχνικές Βαθιάς Μάθησης. Και στις δύο περιπτώσεις, διερευνάται τόσο η απόδοση πλήθους αλγορίθμων όσο και η επίδραση διαφορετικών προσεγγίσεων συναισθηματικής αποτίμησης (TextBlob, VADER, FinBERT). Τα ευρήματα αναδεικνύουν τη θετική συμβολή της Συναισθηματικής Ανάλυσης στη βελτίωση των οικονομικών προβλέψεων. Στη συνέχεια, η μελέτη εστιάζει στην Οικονομική Συναισθηματική Ανάλυση (Financial Sentiment Analysis - FSA) ως πρόβλημα ταξινόμησης, συγκρίνοντας αφενός πλήθος κλασικών μεθόδων κι ομαδοποιητές τους, αφετέρου σύγχρονα προεκπαιδευμένα μοντέλα που βασίζονται
στους transformers και συγκεκριμένα διάφορες εκδοχές του μοντέλουBERT. Παράλληλα, εξετάζεται η αποτελεσματικότητα τεχνικών εξισορρόπησης κλάσεων (SMOTE) σε συνδυασμό με
διαφορετικές γλωσσικές αναπαραστάσεις (BoW, TF-IDF). Τα αποτελέσματα υποδεικνύουν την υπεροχή των μοντέλων ΒΕΡΤ, με κυρίαρχο το RoBERTa, καθώς και ότι ο συνδυασμός SMOTE και TF-IDF βελτιστοποιεί περαιτέρω τις επιδόσεις.
Η δεύτερη ενότητα αφορά τη χρήση της Ενεργής Μάθησης με στόχο τη μείωση των απαιτήσεων σε επισημασμένα δεδομένα κατά την επίλυση προβλημάτων ταξινόμησης. Υλοποιήθηκαν δύο διακριτά σενάρια. Στο πρώτο, εξετάζεται η εφαρμογή της Ενεργής Μάθησης στο πρόβλημα της Πρόβλεψης Σφαλμάτων Λογισμικού , τόσο με χρήση μεμονωμένων μεθόδων Μηχανικής Μάθησης όσο και με ομαδοποιητές τους. Στο δεύτερο, διερευνάται το κατά πόσον μπορούν να επιτευχθούν συγκρίσιμες επιδόσεις στις διάφορες μετρικές αποτίμησης, όταν η Ανάλυση Συναισθήματος υποστηρίζεται από μοντέλα Transformer τα οποία αξιοποιούν Ενεργή Μάθηση. Και στα δύο σενάρια, η στοχευμένη επιλογή των παραδειγμάτων που θα ετικετοποιηθούν καταλήγει σε μοντέλα με απόδοση ανάλογη εκείνης που προκύπτει όταν χρησιμοποιείται ολόκληρο το διαθέσιμο σύνολο δεδομένων. Τέλος, προτείνεται ένας «μετα-δείκτης» αξιολόγησης των σεναρίων Ενεργής Μάθησης, κατάλληλος για συναφή εκπαιδευτικά σενάρια, με στόχο την πληρέστερη αποτίμηση της αποτελεσματικότητας των προτεινόμενων μεθόδων.
Description
Keywords
Μηχανική μάθηση, Ανάλυση συναισθήματος, Ενεργή μάθηση, Πρόβλεψη χρονοσειρών, Κατηγοριοποίηση κειμένου