Ανάλυση συναισθήματος στο Twitter με χαρακτηριστικά διανυσμάτων λέξεων

Χαραλάμπους, Χαράλαμπος; Charalampous, Charalampos

dc.contributor.author	Χαραλάμπους, Χαράλαμπος	el
dc.contributor.author	Charalampous, Charalampos	en
dc.date.accessioned	2017-10-31T10:59:32Z
dc.date.available	2017-10-31T10:59:32Z
dc.date.issued	2017-10-31
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45878
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.6996
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “ Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Διανύσματα λέξεων	el
dc.subject	Ανάλυση συναισθήματος	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Artificial Intelligence	el
dc.subject	Word vectors	en
dc.subject	Twitter	en
dc.title	Ανάλυση συναισθήματος στο Twitter με χαρακτηριστικά διανυσμάτων λέξεων	el
heal.type	masterThesis
heal.classification	ΠΡΟΧΩΡΗΜΕΝΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ	el
heal.classificationURI	http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-12
heal.abstract	Η μηχανική μάθηση είναι υποπεδίο της επιστήμης των υπολογιστών που αναπτύχθηκε από τη μελέτη της αναγνώρισης προτύπων και της υπολογιστικής θεωρίας μάθησης στην τεχνητή νοημοσύνη. Το 1959, ο Arthur Samuel ορίζει τη μηχανική μάθηση ως "Πεδίο μελέτης που δίνει στους υπολογιστές την ικανότητα να μαθαίνουν, χωρίς να έχουν ρητά προγραμματιστεί". Η μηχανική μάθηση διερευνά τη μελέτη και την κατασκευή αλγορίθμων που μπορούν να μαθαίνουν από τα δεδομένα και να κάνουν προβλέψεις σχετικά με αυτά. Τέτοιοι αλγόριθμοι λειτουργούν κατασκευάζοντας μοντέλα από πειραματικά δεδομένα, προκειμένου να κάνουν προβλέψεις βασιζόμενες στα δεδομένα ή να εξάγουν αποφάσεις που εκφράζονται ως το αποτέλεσμα. Το ζητούμενο στην παρούσα εργασία είναι να καταλάβουμε αν ένα tweet είναι θετικό, αρνητικό ή ουδέτερο ως προς το θέμα στο οποίο αναφέρεται. Χρησιμοποιήθηκε Μηχανική Μάθηση και συγκεκριμένα αλγόριθμοι ταξινόμησης (επιβλεπόμενη μάθηση) αναπαριστώντας τις λέξεις με διανύσματα. Για την υλοποίηση χρησιμοποιήθηκαν δεδομένα από διαφορετικές πηγές για να μελετήσουμε διαφορετικές μεθόδους ταξινόμησης. Τα δεδομένα μας αποτελούνται από tweets τα οποία έχουν επισημανθεί ώς θετικά, αρνητικά η ουδέτερα από τους διοργανωτές του ετήσιου διαγωνισμού SemEval, καθώς και δεδομένα που αποκτήσαμε από μία ψηφιακή βιβλιοθήκη που ονομάζεται Internet Archive (https://archive.org/) η οποία παρέχει έναν μεγάλο όγκο δεδομένων από το twitter που εκτείνονται χρονολογικά από το 2013 μέχρι το 2016. Για τη συγκεκριμένη εργασία, και λόγω των περιορισμών σε πόρους που επιβάλει ένας προσωπικός υπολογιστής, από την συλλογή του Internet Archive κρατήσαμε 50 εκατ. μοναδικά tweets. Να σημειώσουμε εδώ ότι η βιβλιοθήκη αυτή από tweets φτάνει περίπου στα 250 εκ. μοναδικά μηνύματα. Στο τέλος αξιολογήσαμε τη δουλειά μας συγκρίνοντας την με το νικητή του διεθνούς workshop SemEval 2016, βάσει συγκεκριμένης μετρικής που ορίζεται από το SemEval, έχοντας πολύ ικανοποιητικά αποτελέσματα.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Συμβώνης, Αντώνιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	54 σ.	el
heal.fullTextAvailability	true