HEAL DSpace

Ανάλυση συναισθήματος με χρήση υβριδικών n-grams

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Κιούρτη, Παναγιώτα el
dc.contributor.author Kiourti, Panagiota en
dc.date.accessioned 2015-12-01T12:41:44Z
dc.date.available 2015-12-01T12:41:44Z
dc.date.issued 2015-12-01
dc.identifier.uri http://dspace.lib.ntua.gr/handle/123456789/41722
dc.rights Default License
dc.subject Ανάλυση συναισθήματος el
dc.subject Sentiment analysis en
dc.subject N-gram γράφοι el
dc.subject Ταξινόμηση πολικότητας κειμένου el
dc.subject Επιβλεπόμενη μηχανική μάθηση el
dc.subject Απλοϊκό μοντέλο Bayes el
dc.subject N-gram graph en
dc.subject Polarity classification en
dc.subject Supervised machine learning en
dc.subject Naive Bayes model en
dc.title Ανάλυση συναισθήματος με χρήση υβριδικών n-grams el
heal.type bachelorThesis
heal.classification Ανάλυση συναισθήματος el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2015-10-23
heal.abstract Η ανάλυση συναισθήματος είναι ένας τομέας που αναπτύχθηκε από την ανάγκη αναγνώρισης του συναισθήματος της κοινής γνώμης πάνω σε ένα θέμα μέσα από τον μεγάλο όγκο πληροφορίας ελεύθερης μορφής που διατίθεται στο διαδίκτυο. Οι μέθοδοι ανάλυσης συναισθήματος περιλαμβάνουν μεταξύ άλλων και στατιστικές προσεγγίσεις με την χρήση αλγορίθμων μηχανικής μάθησης. Η εκπαίδευση των αλγορίθμων μηχανικής μάθησης χρησιμοποιώντας χαρακτηριστικά που εξάγονται από τα κείμενα παρέχουν ένα μοντέλο για την πρόβλεψη της πολικότητας νέων κειμένων. Στην εργασία αυτή μελετάμε την ανάλυση συναισθήματος σε δεδομένα κριτικής ταινιών με χρήση μηχανικής μάθησης και εξετάζουμε πώς η ακρίβεια ταξινόμησης της πολικότητας των κειμένων εξαρτάται από τον τρόπο με τον οποίο τα χαρακτηριστικά που εξάγουμε από τα κείμενα εκμεταλλεύονται τη δομή του. Μελετάμε μία μέθοδο που εξάγει χαρακτηριστικά χρησιμοποιώντας την σύνθεση του κειμένου με διαφορετικό τρόπο από ότι μία πιο κλασική μέθοδος. Συγκρίνουμε τις δυο μεθόδους και τις συνδυάζουμε για την δημιουργία μίας νέας προσέγγισης στον τομέα αυτό. Αξιολογούμε την σχετική επίδοση των τριών μοντέλων και την επίδραση παραμέτρων όπως το πλήθος των δεδομένων, ο αλγόριθμος μάθησης αλλά και η ύπαρξη ή όχι προεπεξεργασίας των κειμένων. el
heal.advisorName Βαρβαρίγου, Θεοδώρα el
heal.committeeMemberName Βαρβαρίγος, Εμμανουήλ el
heal.committeeMemberName Λούμος, Βασίλειος el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής el
heal.academicPublisherID ntua
heal.numberOfPages 162 σ.
heal.fullTextAvailability true


Files in this item

This item appears in the following Collection(s)

Show simple item record