dc.contributor.author | Στάθης, Γεώργιος | el |
dc.contributor.author | Stathis, Georgios | en |
dc.date.accessioned | 2019-07-11T09:51:47Z | |
dc.date.available | 2019-07-11T09:51:47Z | |
dc.date.issued | 2019-07-11 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/49047 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.16759 | |
dc.rights | Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-sa/3.0/gr/ | * |
dc.subject | Μηχανική / Βαθιά μάθηση | el |
dc.subject | Συναισθηματική ανάλυση | el |
dc.subject | Επεξεργασία φυσικής γλώσσας | el |
dc.subject | Γενετικοί αλγόριθμοι | el |
dc.subject | Διαδικτυακή εφαρμογή | el |
dc.subject | Machine / Deep learning | en |
dc.subject | Sentiment analysis | en |
dc.subject | Natural language processing | en |
dc.subject | Genetic algorithms | en |
dc.subject | Web application | en |
dc.title | Συναισθηματική ανάλυση Tweets με χρήση μηχανικής μάθησης και υλοποίηση διαδικτυακής εφαρμογής | el |
heal.type | bachelorThesis | |
heal.classification | Μηχανική Μάθηση | el |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2019-06-04 | |
heal.abstract | Στην σύγχρονη κοινωνία βιώνουμε μία ραγδαία ανάπτυξη των μέσων πληροφόρισης, η οποία επισφραγίστηκε από το Διαδίκτυο και πιο συγκεκριμένα τα Μέσα Κοινωνικής Δικτύωσης με κύριο εκπρόσωπό τους, το Twitter . Η παρούσα Διπλωματική πραγματεύεται την ανάπτυξη Μοντέλων και Αρχιτεκτονικών Βαθιάς και Μηχανικής Μάθησης που στοχεύουν στην Συναισθηματική Ανάλυση σε σχόλια του Twitter , καθώς και στην ανάπτυξη μιας Διαδικτυακής Εφαρμογής η οποία πραγματοποιεί Ανάλυσης Συναισθήματος σε τέτοιου είδους σχόλια, σε πραγματικό χρόνο. Η ανάλυση επικεντρώνεται κυρίως στα 4 βασικά Συναισθήματα: Θυμός, Φόβος, Χαρά, Λύπη. Αρχικά παρουσιάζεται το Task: Affect in Tweets που ασχοληθήκαμε, το οποίο αποτελεί μέρος των Διαγωνισμών που παρουσίασε το Συνέδριο Semeval (Semantic Evaluation) το 2018, ενώ στην συνέχεια πραγματοποιούμε μία έρευνα επάνω στην δουλειά που έχει προηγηθεί, τόσο σε θέματα που αφορούν τα ίδια τα νευρωνικά, αλλά και σε παρεμφερείς διαδικτυακές εφαρμογές. Ακολουθεί μία ενδελεχής ανάλυση του θεωρητικού και τεχνικού υπόβαθρου στα οποία στηριχτήκαμε για την εκπόνηση αυτής της διπλωματικής. Στη συνέχεια παρουσιάζουμε τα στάδια των Αρχιτεκτονικών που υλοποιήσαμε και τους τρόπους με τους οποίους αυτές σχεδιάστηκαν, κάνοντας και μία αναλυτική αναφορά στους Γενετικούς Αλγορίθμους που χρησιμοποιήσαμε για τον Συνδιασμό των Μεθόδων μας (ensemble) και για Μετατροπή Προβλέψεων ( mapping ). ́Επειτα, συνεχίζουμε με την αναλυτική περιγραφή των δεδομένων, από τον τρόπο συλλογής τους μέχρι και την προεπεξεργασία τους. Συγχρόνως, παρουσιάζονται τα αποτελέσματα των Μοντέλων που υλοποιήσαμε, αλλά και η σύγκρισή τους με τις επιδόσεις των συμμετεχόντων στο διαγωνισμό, πετυχαίνοντας μάλιστα, ειδικά στις μεθόδους που αφορούν παλινδρόμηση, αρκετά ανταγωνιστικές προβλέψεις. Επίσης στο Task Κατηγοριοποίησης Συναισθημάτων έχουμε την καλύτερη επίδοση. Ακολουθεί η αναλυτική περιγραφή της Διαδικτυακής Εφαρμογής και πως αυτή υλοποιήθηκε τόσο από μεριάς frontend όσο και backend , σε συνδιασμό με όλα τα στιγμιότυπα λειτουργίας της εφαρμογής, από όλες τις σελίδες που την απαρτίζουν. | el |
heal.abstract | In modern society we experience a rapid development of information, which was sealed by the Internet and more specifically the social media, whose main representative is Twitter. The present thesis is about designing Deep and Machine Learning Models and Architectures, aimed at Sentiment Analysis in Twitter comments, as well as developing a Web Application that performs real time Emotion Analysis for such comments. The analysis mainly focuses on the 4 basic emotions: Anger, Fear, Joy, Sadness. Initially we present the Task: Affect in Tweets we dealt with, which is part of the competitions presented by the Conference of Semeval (Semantic Evaluation) in 2018, and then we carry out a research into the work that has preceded both in issues related to the neural networks themselves, but also in similar web applications. What follows is a thorough analysis of the theoretical and technical background in which we relied for the elaboration of this thesis. We then display the stages of the Architectures we designed and the ways in which they were implemented, making a detailed reference to Genetic Algorithms we used for Ensembling methods and Mapping Predictions. We then continue with the detailed description of data, starting from the way of collection up to their pre-processing. Furthermore, we list the results of the models we implemented, compared with the ones of the task’s contestants, achieving in fact, especially in the methods of regression, quite competitive results. We also had the best results in Emotion Classification task. We close with the detailed description of our Web Application and how it was implemented frontend and backend-wise, presenting all screenshots of the application, from every page included in it. | en |
heal.advisorName | Σταφυλοπάτης, Ανδρέας | el |
heal.committeeMemberName | Σταφυλοπάτης, Ανδρέας | el |
heal.committeeMemberName | Στάμου, Γεώργιος | el |
heal.committeeMemberName | Νικήτα, Κωνσταντίνα | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 96 σ. | |
heal.fullTextAvailability | true |
The following license files are associated with this item: