Ανάλυση συναισθήματος σε αθλητικά tweets
Loading...
Date
2026-07-06
Authors
Παπαδούρης, Νικόλαος Παυσανίας
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η σχεδίαση, υλοποίηση και συγκριτική αξιολόγηση μοντέλων Μηχανικής Μάθησης (Machine Learning) για την αυτόματη ΑνάλυσηΣυναισθήματος (Sentiment Analysis) σε αδόμητα δεδομένα από το κοινωνικό δίκτυο Twitter (X). Η εργασία εστιάζει στην εξαγωγή συναισθήματος και ταξινόμηση απόψεων από χιλιάδες δημοσιεύσεις που αφορούν την ιστορική περίοδο του "NBA Bubble" το 2020, χρησιμοποιώντας τεχνικές Επεξεργασίας Φυσικής Γλώσσας (NLP).Το τεχνικό σκέλος της εργασίας επικεντρώνεται στη μελέτη και σύγκριση τριών διαφορετικών αλγορίθμων ταξινόμησης: του Multinomial Naive Bayes (NB), της Λογιστικής Παλινδρόμησης (Logistic Regression) και του Πολυστρωματικού Περσεπτρονίου (Multi-Layer Perceptron - MLP), το οποίο αποτελεί έναν τύπο Τεχνητού Νευρωνικού Δικτύου. Τα μοντέλα εκπαιδεύτηκαν σε ένα εκτενές σύνολο δεδομένων 98.104 tweets, αφού προηγήθηκε μια διαδικασία προεπεξεργασίας πουπεριλάμβανε τον καθαρισμό από URLs και mentions, την αφαίρεση stopwords και τη διαδικασία της λημματοποίησης (lemmatization).Στη συνέχεια, τα προεπεξεργασμένα tweets μετατράπηκαν σε αριθμητικά διανύσματα συχνοτήτων λέξεων μέσω του CountVectorizer, ενώ η συνεχής μεταβλητή polarity ομαδοποιήθηκε σε τρεις κλάσεις συναισθήματος (αρνητικό, ουδέτερο, θετικό), ώστε να καταστεί δυνατή η εφαρμογή τεχνικών επιβλεπόμενης μάθησης. Η πειραματική διαδικασία υλοποιήθηκε με τη χρήση της βιβλιοθήκης Scikitlearn, ενώ η αξιολόγηση των μοντέλων πραγματοποιήθηκε μέσω διαχωρισμού των δεδομένων σε σύνολα εκπαίδευσης και ελέγχου, καθώς και με επαναλαμβανόμενο Stratified 10-Fold Cross Validation. Η διαδικασία του K-Fold επαναλήφθηκε 10 φορές για κάθε μοντέλο, με διαφορετική τυχαία αναδιάταξη των δεδομένων, ώστε να υπολογιστεί ο δείκτης K-Fold Mean Accuracy.Επιπλέον, η υλοποίηση του συστήματος προσεγγίστηκε με γνώμονα τα σύγχρονα πρότυπαΜηχανικής Λογισμικού (Software Engineering). Αναπτύχθηκε μια αρθρωτή αρχιτεκτονική (source layout), η οποία υλοποιείται στο αρχείο main.py και επιτρέπει την εκτέλεση των βασικών λειτουργιών της εφαρμογής μέσω γραμμής εντολών. Παράλληλα, η αξιοπιστία του κώδικα, η ορθότητα της προεπεξεργασίας των δεδομένων (κάλυψη ακραίων περιπτώσεων όπως emojis, URLs, mentions) και η λειτουργικότητα των εκπαιδευμένων μοντέλων διασφαλίστηκαν μέσω της ανάπτυξηςαυτοματοποιημένων ελέγχων (Unit Tests) με τη χρήση της βιβλιοθήκης Pytest.Τέλος, η εργασία περιλαμβάνει διερευνητική ανάλυση και οπτικοποίηση του συνόλου δεδομένων, καθώς και συγκριτική αποτίμηση των μοντέλων ως προς την ακρίβεια, την αξιοπιστία και το υπολογιστικό κόστος. Τα αποτελέσματα έδειξαν ότι το MLP και η Logistic Regression έχουν πολύ κοντινή απόδοση, με το MLP να παρουσιάζει την υψηλότερη αριθμητική επίδοση. Συγκεκριμένα, το MLP εμφάνισε το μεγαλύτερο K-Fold Mean Accuracy, με τιμή 0.945521, καθώς και την καλύτερη μέση επίδοση στις 10 εκτελέσεις του train/test split, με Accuracy 0.939498 και F1-Score 0.939302. Η Logistic Regression ακολούθησε με πολύ μικρή διαφορά, παρουσιάζοντας K-Fold Mean Accuracy 0.943618, Accuracy 0.939202 και F1-Score 0.938432. Επομένως, το MLP αναδείχθηκε ως το αποδοτικότερο μοντέλο ως προς τις μετρικές αξιολόγησης, ενώ η Logistic Regression παρέμεινε ιδιαίτερα ανταγωνιστική και υπολογιστικά απλούστερη.
Description
Keywords
Ανάλυση συναισθήματος, Μηχανική μάθηση, Νευρωνικά δίκτυα, Επεξεργασία φυσικής γλώσσας, Αθλητικά tweets, Ταξινόμηση κειμένου