Χρήση τεχνικών βαθιάς μηχανικής μάθησης για την εύρεση δεδομένων από το Twitter που σχετίζονται με καταστροφές

Καραΐσκου, Κωνσταντίνα; Karaiskou, Konstantina

dc.contributor.author	Καραΐσκου, Κωνσταντίνα	el
dc.contributor.author	Karaiskou, Konstantina	en
dc.date.accessioned	2021-07-28T06:56:32Z
dc.date.available	2021-07-28T06:56:32Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53707
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21405
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	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	Βαθιά μάθηση	el
dc.subject	Μεταφορά μάθησης	el
dc.subject	BERT	en
dc.subject	Διαχείριση καταστροφών	el
dc.subject	Αυτόματη ανάλυση κειμένου	el
dc.subject	Deep learning	en
dc.subject	Transfer learning	en
dc.subject	Disaster management	en
dc.subject	Automatic text analysis	en
dc.title	Χρήση τεχνικών βαθιάς μηχανικής μάθησης για την εύρεση δεδομένων από το Twitter που σχετίζονται με καταστροφές	el
heal.type	masterThesis
heal.classification	Βαθιά Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-01
heal.abstract	Τα μέσα κοινωνικής δικτύωσης, και ειδικότερα το Twitter, παίζουν έναν αναπόσπαστο ρόλο κατά τη διάρκεια μιας καταστροφής, παρέχοντας άμεσα πληροφορίες που είναι πολύ σημαντικές για την ενημέρωση της εξέλιξης των γεγονότων και για τις επιχειρήσεις διάσωσης. Για το λόγο αυτό είναι πολύ σημαντική η ανάκτηση και ταξινόμηση των σχετικών μηνυμάτων. Στόχος λοιπόν της παρούσας διπλωματικής εργασίας είναι η εφαρμογή και σύγκριση μεθόδων βαθιάς μηχανικής μάθησης για την εύρεση δεδομένων από το Twitter που σχετίζονται με καταστροφές. Αρχικά, κάναμε μία βιβλιογραφική ανασκόπηση για τα δεδομένα και τα μοντέλα που χρησιμοποιούνται συνήθως σε παρόμοια προβλήματα. Ύστερα, χρησιμοποιώντας δεδομένα από πολλαπλές πηγές, δημιουργήσαμε πέντε σύνολα δεδομένων για διαφορετικούς τύπους καταστροφών. Στη συνέχεια, εκτελέσαμε πειράματα με επτά διαφορετικά νευρωνικά δίκτυα και με πέντε σύγχρονα προ-εκπαιδευμένα γλωσσικά μοντέλα σε καθένα από τα σύνολα δεδομένων ξεχωριστά. Τα αποτελέσματα για τα νευρωνικά δίκτυα έδειξαν ότι η υψηλότερη ακρίβεια επιτεύχθηκε από τα μοντέλα LSTM ή CNN σε όλα τα σύνολα δεδομένων. Όσον αφορά τα προ-εκπαιδευμένα μοντέλα, η κατάταξή τους ως προς την αποτελεσματικότητα τους διέφερε ανά σύνολο δεδομένων. Συνολικά, στις περισσότερες περιπτώσεις τα προ-εκπαιδευμένα μοντέλα με τη χαμηλότερη ακρίβεια έδωσαν καλύτερα αποτελέσματα από τα νευρωνικά δίκτυα με την υψηλότερη ακρίβεια.	el
heal.abstract	Social media, especially Twitter, play an integral part during disasters by providing real-time updates that are crucial for developing situational awareness and for rescue operations. Therefore, the retrieval and classification of the relevant messages is very important. The aim of this diploma thesis is the application and comparison of several deep learning methods for the detection of disaster-related messages from Twitter. Firstly, we conducted a literature review of the datasets and models that are usually used in similar problems. Τhen, we created five datasets, each referring to a different disaster, using data from multiple sources. Next, we executed experiments using seven different neural networks and five state-of-the-art pre-trained language models on each dataset separately. For the neural networks, the results showed that the highest accuracy was achieved by the models LSTM or CNN in all datasets. As far as the pre-trained models are concerned, their ranking in respect to their efficacy was different per dataset. Finally, in most occasions the pre-trained models with the lowest accuracy outperformed the neural networks with the highest accuracy.	en
heal.advisorName	Στάμου, Γιώργος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.	el
heal.fullTextAvailability	false