Αξιοποίηση τεχνικών μηχανικής μάθησης για σχεδίαση πολιτικών καμπάνιας
Loading...
Date
2026-02-05
Authors
Βασιλαδιώτης, Κωνσταντίνος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα πτυχιακή εργασία παρουσιάζει ένα προηγμένο σύστημα τεχνητήςνοημοσύνης, το οποίο αναλύει δεδομένα που αφορούν μια προεκλογική περίοδο από το Twitter, παρέχοντας εκλογικές προβλέψεις και αναλύσεις σε βάθος. Το Election Analysis AI επεξεργάζεται χιλιάδες tweets από τις πολιτικές εκλογές των ΗΠΑ εν έτη 2020.Αξιοποιώντας τεχνικές επεξεργασίας φυσικής γλώσσας, αλγόριθμους σημασιολογικής αναζήτησης και προσαρμοσμένα μοντέλα fine – tuned, παρέχει πολιτικές πληροφορίες σε πραγματικό χρόνο μέσω μιας διαδραστικής διεπαφής συνομιλίας. Στο πρώτο μέρος της εργασίας παρουσιάζεται η αρχιτεκτονική του συστήματος καθώς και το τεχνολογικό υπόβαθρο. Το agentic αυτό σύστημα βασίζεται σε μια τριεπίπεδη αρχιτεκτονική: frontend με χρήση streamlit, backend με χρήση FastAPI REST API και ένα ενδιάμεσο επίπεδο υπηρεσιών που ενσωματώνει τα συστήματα AI και επεξεργασίας δεδομένων. Τοτεχνολογικό υπόβαθρο περιλαμβάνει python 3.9+, FastAPI για ασύγχρονα endpoints, MongoDB για αποθήκευση NoSQL δεδομένων και Ollama για εκτέλεση μοντέλου llm τοπικά. Η υποδομή των embeddings κάνει χρήση Sentence-Transformers για την δημιουργία πυκνών διανυσματικών αναπαραστάσεων καθιστώντας έτσι δυνατή την σημασιολογική αναζήτηση σε ολόκληρο το σύνολο δεδομένων. Για την κατασκευή tweets/posts χρησιμοποιείται το LoRA (Low-Rank Adaptation) fine – tuned εκδοχή του llama 3.2, εκπαιδευμένο σε πολιτικά δεδομένα για την παραγωγή αυθεντικούπεριεχομένου κατάλληλου για τα μέσα κοινωνικής δικτύωσης. Επιπλέον γίνεται χρήση PyTorch για βαθιά μάθηση, PEFT για αποδοτική προσαρμογή παραμέτρων καιPandas/NumPy για την επεξεργασία των δεδομένων. Το δεύτερο μέρος αφορά ένα ερευνητικό και πειραματικό στάδιο μηχανικής μάθησης του συνολικού έργου το οποίο πραγματοποιεί ανάλυση συναισθήματος (sentiment analysis) στα δεδομένα των εκλογών και προβλέπει τους πιθανούς νικητές σε επίπεδο πολιτείας. Η μεθοδολογία συνδυάζει βαθιά μάθηση (deep learning) με ανάλυση συναισθήματος, χρησιμοποιώντας ένα υβριδικό νευρωνικό δίκτυο που ενώνει χαρακτηριστικά κειμένου (μέσω LSTM/GRU) και αριθμητικά χαρακτηριστικά συναισθήματος (polarity, subjectivity) προερχόμενα από το TextBlob. Χρησιμοποιούνται βιβλιοθήκες όπως η TensorFlow, scikit-learn, NLTK, TextBlob, Plotly. Το τρίτο μέρος αφορά την βασική μεθοδολογία η οποία στηρίζεται σε μια αρχιτεκτονική RAG (Retrieval-Augmented Generation), που συνδυάζεισημασιολογική αναζήτηση με επεξεργασία φυσικής γλώσσας μέσω μεγάλων μοντέλων.Η σημασιολογική αναζήτηση tweets χρησιμοποιεί υπολογισμό ομοιότητας βάσει embeddings με μετρική συνημίτονου (cosine similarity), εμπλουτισμένη με τον αλγόριθμο Maximal Marginal Relevance (MMR) για μεγαλύτερη ποικιλία στααποτελέσματα. Τα embeddings των tweets υπολογίζονται σε παρτίδες και αποθηκεύονται προσωρινά σε πίνακες NumPy και αρχεία Parquet, με ρυθμιζόμενα κατώφλια συνάφειας (min_score) και επιλογή κορυφαίων αποτελεσμάτων (top-k). Επιπλέον παρέχονται αναλύσεις εύρεσης ενεργών χρηστών με χρήση αλγορίθμων αναγνώρισης χρονικών προτύπων. Το LoRA fine-tuning επιτρέπει αποδοτική προσαρμογή του Llama 3.2, υποστηρίζοντας οκτώ θεματικές κατηγορίες για παραγωγή περιεχομένου καιμηχανισμούς φιλτραρίσματος περιεχομένου για ανίχνευση spam. Το τέταρτο μέρος αξιολογεί το σύστημα και τα αποτελέσματά του. Η διεπαφή συνομιλίας ενσωματώνει τις λειτουργίες που προαναφέρθηκαν μέσω φυσικής γλώσσας με την υπηρεσία RAG να διαχειρίζεται την ταξινόμηση ερωτημάτων, την ανάκτηση δεδομένων και την δημιουργία απαντήσεων με βάση το συμφραζόμενο. Για την αξιολόγηση χρησιμοποιούνται τεχνικές όπως η μετρική f1-score για την ακρίβεια κάποιων μοντέλων αλλά και η Natural Language Interface (NLI) για την αξιολόγηση του παραγόμενου κειμένου. Για την αξιολόγηση της ποιότητας των παραγόμενων tweets από το fine-tuned μοντέλο, πραγματοποιήθηκε ανθρώπινη αξιολόγηση και σύγκριση με πραγματικά δεδομένα από την πλατφόρμα Twitter. Τέλος, στην εργασία συζητούνται τααποτελέσματα της πειραματικής αξιολόγησης, αναλύεται η αποτελεσματικότητα του συστήματος ενώ παράλληλα προτείνονται μελλοντικές επεκτάσεις που περιλαμβάνουν τη βελτίωση της ακρίβειας των προβλέψεων μέσω μεγαλύτερων και πιοαντιπροσωπευτικών συνόλων δεδομένων. Οι προοπτικές αυτές αναδεικνύουν τηδυναμική του συστήματος ως μια ολοκληρωμένη πλατφόρμα ανάλυσης και πρόβλεψης εκλογικών τάσεων με βάση κοινωνικά δεδομένα και τεχνητή νοημοσύνη.
Description
Keywords
Μηχανική μάθηση, Πολιτικές καμπάνιας, Επεξεργασία φυσικής γλώσσας