Εντοπισμός κοινοτήτων στο Twitter βάσει πόλωσης συναισθήματος σε σχόλια πολυτροπικού κειμένου
| datacite.contributor.RelatedPerson | Δημήτρης Τσώλης | |
| datacite.contributor.RelatedPerson | Αριστείδης Ηλίας | |
| datacite.contributor.Supervisor | Χρἠστος Μακρής | |
| dc.contributor.author | Καββαθάς, Κωνσταντίνος | |
| dc.contributor.other | Kavvathas, Konstantinos | |
| dc.date.accessioned | 2024-03-06T10:00:56Z | |
| dc.date.available | 2024-03-06T10:00:56Z | |
| dc.date.issued | 2023-12-15 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η διπλωματική εργασία παρουσιάζει μια έρευνα σχετική με τον εντοπισμό κοινοτήτων και την ανάλυση συναισθημάτων σε κοινωνικά δίκτυα, με έμφαση στη δυναμική της συναισθηματικής ανάλυσης σε σχόλια πολυτροπικού κειμένου. Χρησιμοποιεί προηγμένες υπολογιστικές τεχνικές για την ανάλυση δεδομένων από μέσα κοινωνικής δικτύωσης, στοχεύοντας στην αποκάλυψη μοτίβων αλληλεπίδρασης και συναισθηματικής έκφρασης, χρησιμοποιώντας ένα σύνολο δεδομένων που συγκεντρώθηκε με τη χρήση του Twitter API. Κεντρικό στοιχείο της έρευνας αποτελεί η εφαρμογή μιας ανάλυσης συναισθήματος, πιο σύνθετης από τις παραδοσιακές διχοτομήσεις θετικού-αρνητικού, που καλύπτει ένα ευρύτερο φάσμα συναισθηματικών καταστάσεων. Αυτή η προσέγγιση αναγνωρίζει την πολυπλοκότητα των ανθρώπινων συναισθημάτων και τον καθοριστικό τους ρόλο στον διαδικτυακό διάλογο. Χρησιμοποιώντας αλγορίθμους αναγνώρισης συναισθημάτων, η εργασία κατηγοριοποιεί τα tweets, επιτρέποντας την εξέταση της κατανομής των συναισθημάτων σε διαφορετικές κοινότητες. Η διπλωματική εργασία αξιοποιεί επίσης τα πολυεπίπεδα γραφήματα, μια τεχνική που διευκολύνει την οπτικοποίηση και την ανάλυση πολύπλοκων δικτύων. Αυτά τα γραφήματα απεικονίζουν τις πολυδιάστατες αλληλεπιδράσεις μεταξύ των χρηστών και τη δυναμική σχέση μεταξύ των συναισθημάτων, των θεμάτων που αφορούν και της δομής των κοινοτήτων. Μέσω αυτής της γραφικής αναπαράστασης, γίνεται δυνατή η παρατήρηση του περίπλοκου δικτύου των ανθρωπίνων σχέσεων, εντοπίζοντας συστάδες χρηστών με παρόμοια συναισθηματικά μοτίβα ή παρόμοια ενδιαφέροντα. Ένα μεγάλο εύρος εργαλείων και αλγορίθμων ανάλυσης δεδομένων αξιοποιούνται στα πλαίσια της εργασίας για την επεξεργασία και ερμηνεία των δεδομένων. Γίνεται μια παρουσίαση των προκλήσεων που σχετίζονται με την προεπεξεργασία δεδομένων, την ταξινόμηση των συναισθημάτων και τον εντοπισμό κοινοτήτων, που παρέχει πληροφορίες σχετικά με τις πρακτικές πτυχές της διαχείρισης πραγματικών δεδομένων. Με την αξιοποίηση θεωρητικών εννοιών από την ψυχολογία και την πληροφορική, η διπλωματική γεφυρώνει το χάσμα μεταξύ της κατανόησης των ανθρώπινων συναισθημάτων και της ψηφιακής τους πτυχής. Αναδεικνύει την αξία του συνδυασμού της ανάλυσης συναισθημάτων με τεχνικές εντοπισμού κοινοτήτων για την απόκτηση μιας ολοκληρωμένης εικόνας σχετικά με τις αλληλεπιδράσεις στα κοινωνικά μέσα, παρέχοντας ένα πλαίσιο για μελλοντικές μελέτες στην ψηφιακή επικοινωνία και την ανάλυση κοινωνικών δικτύων | |
| dc.description.translatedabstract | The thesis presents an exploration of community detection and sentiment analysis in social networks, emphasizing the dynamics of emotional analysis in multimodal text comments. It utilizes sophisticated computational techniques to analyze social media data, aiming to uncover the underlying patterns of user interaction and emotional expression on a dataset that was gathered using the Twitter API. Central to the research is the application of emotional analysis, which extends beyond traditional positive-negative dichotomies to encompass a broader spectrum of emotional states. This approach acknowledges the complexity of human emotions and their pivotal role in shaping online discourse. By employing emotion recognition algorithms, the thesis categorizes tweets, enabling an examination of sentiment distribution across different user communities. The thesis also utilizes multilayer graphs, a technique that facilitates the visualization and analysis of complex networks. These graphs represent the multifaceted interactions among users, highlighting the interconnectedness of sentiment, topics, and community structures. Through this graphical representation, it becomes possible to observe the intricate web of relationships, identifying clusters of users who exhibit similar sentiment patterns or engage with common themes. A wide range of data analysis tools and algorithms to process and interpret the collected data are incorporated. A navigation through challenges related to data preprocessing, sentiment classification, and community detection takes place, offering insights into the practical aspects of handling real-world social media datasets. By integrating theoretical concepts from psychology and informatics, the thesis bridges the gap between understanding human emotions and their digital aspect. It underscores the potential of combining sentiment analysis with community detection techniques to gain a holistic view of social media interactions, providing a framework for future studies in digital communication and social network analysis. | |
| dc.identifier.uri | https://hdl.handle.net/10889/26723 | |
| dc.language.iso | el | |
| dc.subject | Εντοπισμός κοινοτήτων | |
| dc.subject | Πόλωση συναισθήματος | |
| dc.subject | Πολυτροπικό κείμενο | |
| dc.subject | Πολυδιάστατα γραφήματα | |
| dc.subject | Ανάλυση δεδομένων | |
| dc.subject | Κοινωνικά δίκτυα | |
| dc.subject.alternative | Community detection | |
| dc.subject.alternative | Sentiment analysis | |
| dc.subject.alternative | Multimodal text | |
| dc.subject.alternative | Multilayer graphs | |
| dc.subject.alternative | Emotional analysis | |
| dc.subject.alternative | Data analysis | |
| dc.subject.alternative | Social networks | |
| dc.title | Εντοπισμός κοινοτήτων στο Twitter βάσει πόλωσης συναισθήματος σε σχόλια πολυτροπικού κειμένου | |
| dc.title.alternative | Community Detection on Twitter through emotional analysis in multimodal comments |