Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου
Η αναγνώριση του συναισθηματικού περιεχομένου προτάσεων Φυσικής Γλώσσας μπορεί να βελτιώσει τον τρόπο επικοινωνίας του ανθρώπου με ένα υπολογιστικό σύστημα δίνοντας του την δυνατότητα να αναγνωρίσει (και να μιμηθεί) συναισθηματικές εκφράσεις. Ο τομέας της αναγνώρισης συναισθήματος κατέχει σημαντική...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15269 |
| id |
nemertes-10889-15269 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Αναγνώριση συναισθήματος Νευρωνικά δίκτυα Κοινωνικά δίκτυα Βαθειά μάθηση Μηχανική μάθηση Emotion detection Neural networks Social networks Deep learning Machine learning |
| spellingShingle |
Αναγνώριση συναισθήματος Νευρωνικά δίκτυα Κοινωνικά δίκτυα Βαθειά μάθηση Μηχανική μάθηση Emotion detection Neural networks Social networks Deep learning Machine learning Ανδρικάκης, Ευθύμιος Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου |
| description |
Η αναγνώριση του συναισθηματικού περιεχομένου προτάσεων Φυσικής Γλώσσας μπορεί να βελτιώσει τον τρόπο επικοινωνίας του ανθρώπου με ένα υπολογιστικό σύστημα δίνοντας του την δυνατότητα να αναγνωρίσει (και να μιμηθεί) συναισθηματικές εκφράσεις. Ο τομέας της αναγνώρισης συναισθήματος κατέχει σημαντική θέση στις εφαρμογές της τεχνητής νοημοσύνης. Η ραγδαία αύξηση της δημοτικότητας των μέσων κοινωνικής δικτύωσης έχει δημιουργήσει την ανάγκη για την μελέτη και την καταγραφή της χρήσης τους. Κύρια αφορμή λοιπόν για την δημιουργία αυτής της εργασίας ήταν η μεγάλη άνοδος της δημοτικότητας των social media αλλά και η έλλειψη άντλησης ικανοποιητικού ποσό δεδομένων και πληροφοριών από τα ποστ των χρηστών. Στην παρούσα εργασία δοκιμάστηκαν τόσο κλασικοί αλγόριθμοι ταξινόμησης όσο και διάφορες αρχιτεκτονικές νευρωνικών δικτύων. Στο αρχικό στάδιο της έρευνας, γίνεται αναφορά σε πολλές state of the art τεχνικές που υπάρχουν ήδη στον συγκεκριμένο τομέα. Ύστερα, αναλύονται η τεχνικές που θα χρησιμοποιήσουμε στο γενικό τους πλαίσιο, αλλά και οι ειδικές μετατροπές που πρέπει να γίνουν ώστε να μπορέσουμε να τις χρησιμοποιήσουμε για την λύση του συγκεκριμένου προβλήματος. Στα πλαίσια της παρούσας διπλωματικής θα αναπτυχθεί μηχανισμός αναγνώρισης της συναισθηματική πληροφορίας που μεταφέρεται σε προτάσεις Φυσικής Γλώσσας. Το σύστημα που θα αναπτυχθεί, αρχικά, θα αναλύει την πρόταση Φυσικής Γλώσσας και θα εξάγει τις κατάλληλες πληροφορίες, όπως π.χ. δομή της πρότασης, λέξεις-κλειδιά που φέρουν συναισθηματική πληροφορία κ.α. Όλα αυτά θα γίνουν με γνωστές τεχνικές προεπεξεργασίας και μετατροπής των δεδομένων. Στην συνέχεια, το σύστημα, θα προσδιορίζει και θα κατηγοριοποιεί την ύπαρξη συναισθημάτων χρησιμοποιώντας τεχνικές μηχανικής μάθησης και τεχνικές βασισμένες στην γνώση. Μελετήθηκαν και αναλύθηκαν διάφορα μοντέλα μηχανικής μάθησης καθώς και διάφοροι συνδυασμοί αυτών των μοντέλων. Αρχικά χρησιμοποιήθηκαν διάφοροι κλασικοί αλγόριθμοι ταξινόμησης μηχανικής μάθησης και στην συνέχεια έγινε χρήση διάφορων ειδών νευρωνικών δικτύων. Έπειτα διεξήχθησαν πειράματα με την χρήση των μοντέλων αυτών σε μια πληθώρα από σύνολα δεδομένων, που έχουν χρησιμοποιηθεί σε προηγούμενες έρευνες και στο τέλος της έρευνας αξιολογήθηκαν όλες οι προσεγγίσεις, συγκρίθηκαν τα αποτελέσματα των πειραμάτων κάθε προσέγγισης με τις σχετικές εργασίες και έγιναν οι ανάλογες παρατηρήσεις. Κυρίως στόχος αποτελεί η μελέτη των ήδη υπαρχουσών τεχνικών και η προσπάθεια βελτίωσής τους, μέσω περαιτέρω εκπαίδευσης αλλά και μέσω της συνδυαστικής αξιοποίησης τους. Τα αποτελέσματα της έρευνας δείχνουν πως υπάρχουν περιθώρια για βελτίωση στον συγκεκριμένο τομέα, αλλά ταυτόχρονα αρκετά από τα μοντέλα, κυρίως τα συνδυαστικά, κατάφεραν να φτάσουν ή ακόμα και να ξεπεράσουν κάποιες από τις υπάρχουσες state of the art τεχνικές. |
| author2 |
Andrikakis, Efthymios |
| author_facet |
Andrikakis, Efthymios Ανδρικάκης, Ευθύμιος |
| author |
Ανδρικάκης, Ευθύμιος |
| author_sort |
Ανδρικάκης, Ευθύμιος |
| title |
Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου |
| title_short |
Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου |
| title_full |
Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου |
| title_fullStr |
Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου |
| title_full_unstemmed |
Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου |
| title_sort |
ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15269 |
| work_keys_str_mv |
AT andrikakēseuthymios analysēkeimenousekoinōnikadiktyakaianagnōrisēsynaisthēmatikouperiechomenou AT andrikakēseuthymios textanalysisinsocialnetworksandemotionalcontentrecognition |
| _version_ |
1771297176059641856 |
| spelling |
nemertes-10889-152692022-09-05T06:57:39Z Ανάλυση κειμένου σε κοινωνικά δίκτυα και αναγνώριση συναισθηματικού περιεχομένου Text analysis in social networks and emotional content recognition Ανδρικάκης, Ευθύμιος Andrikakis, Efthymios Αναγνώριση συναισθήματος Νευρωνικά δίκτυα Κοινωνικά δίκτυα Βαθειά μάθηση Μηχανική μάθηση Emotion detection Neural networks Social networks Deep learning Machine learning Η αναγνώριση του συναισθηματικού περιεχομένου προτάσεων Φυσικής Γλώσσας μπορεί να βελτιώσει τον τρόπο επικοινωνίας του ανθρώπου με ένα υπολογιστικό σύστημα δίνοντας του την δυνατότητα να αναγνωρίσει (και να μιμηθεί) συναισθηματικές εκφράσεις. Ο τομέας της αναγνώρισης συναισθήματος κατέχει σημαντική θέση στις εφαρμογές της τεχνητής νοημοσύνης. Η ραγδαία αύξηση της δημοτικότητας των μέσων κοινωνικής δικτύωσης έχει δημιουργήσει την ανάγκη για την μελέτη και την καταγραφή της χρήσης τους. Κύρια αφορμή λοιπόν για την δημιουργία αυτής της εργασίας ήταν η μεγάλη άνοδος της δημοτικότητας των social media αλλά και η έλλειψη άντλησης ικανοποιητικού ποσό δεδομένων και πληροφοριών από τα ποστ των χρηστών. Στην παρούσα εργασία δοκιμάστηκαν τόσο κλασικοί αλγόριθμοι ταξινόμησης όσο και διάφορες αρχιτεκτονικές νευρωνικών δικτύων. Στο αρχικό στάδιο της έρευνας, γίνεται αναφορά σε πολλές state of the art τεχνικές που υπάρχουν ήδη στον συγκεκριμένο τομέα. Ύστερα, αναλύονται η τεχνικές που θα χρησιμοποιήσουμε στο γενικό τους πλαίσιο, αλλά και οι ειδικές μετατροπές που πρέπει να γίνουν ώστε να μπορέσουμε να τις χρησιμοποιήσουμε για την λύση του συγκεκριμένου προβλήματος. Στα πλαίσια της παρούσας διπλωματικής θα αναπτυχθεί μηχανισμός αναγνώρισης της συναισθηματική πληροφορίας που μεταφέρεται σε προτάσεις Φυσικής Γλώσσας. Το σύστημα που θα αναπτυχθεί, αρχικά, θα αναλύει την πρόταση Φυσικής Γλώσσας και θα εξάγει τις κατάλληλες πληροφορίες, όπως π.χ. δομή της πρότασης, λέξεις-κλειδιά που φέρουν συναισθηματική πληροφορία κ.α. Όλα αυτά θα γίνουν με γνωστές τεχνικές προεπεξεργασίας και μετατροπής των δεδομένων. Στην συνέχεια, το σύστημα, θα προσδιορίζει και θα κατηγοριοποιεί την ύπαρξη συναισθημάτων χρησιμοποιώντας τεχνικές μηχανικής μάθησης και τεχνικές βασισμένες στην γνώση. Μελετήθηκαν και αναλύθηκαν διάφορα μοντέλα μηχανικής μάθησης καθώς και διάφοροι συνδυασμοί αυτών των μοντέλων. Αρχικά χρησιμοποιήθηκαν διάφοροι κλασικοί αλγόριθμοι ταξινόμησης μηχανικής μάθησης και στην συνέχεια έγινε χρήση διάφορων ειδών νευρωνικών δικτύων. Έπειτα διεξήχθησαν πειράματα με την χρήση των μοντέλων αυτών σε μια πληθώρα από σύνολα δεδομένων, που έχουν χρησιμοποιηθεί σε προηγούμενες έρευνες και στο τέλος της έρευνας αξιολογήθηκαν όλες οι προσεγγίσεις, συγκρίθηκαν τα αποτελέσματα των πειραμάτων κάθε προσέγγισης με τις σχετικές εργασίες και έγιναν οι ανάλογες παρατηρήσεις. Κυρίως στόχος αποτελεί η μελέτη των ήδη υπαρχουσών τεχνικών και η προσπάθεια βελτίωσής τους, μέσω περαιτέρω εκπαίδευσης αλλά και μέσω της συνδυαστικής αξιοποίησης τους. Τα αποτελέσματα της έρευνας δείχνουν πως υπάρχουν περιθώρια για βελτίωση στον συγκεκριμένο τομέα, αλλά ταυτόχρονα αρκετά από τα μοντέλα, κυρίως τα συνδυαστικά, κατάφεραν να φτάσουν ή ακόμα και να ξεπεράσουν κάποιες από τις υπάρχουσες state of the art τεχνικές. Recognizing the emotional content of Natural Language sentences can improve the way humans communicate with a computer system by enabling them to recognize (and imitate) emotional expressions. The field of emotion recognition occupies an important place in the applications of artificial intelligence. The rapid increase in the popularity of social media has created the need to study and document their use. Therefore, the main reason for creating this paper was the great rise in popularity of social media and the lack of extracting sufficient amount of data and information from users' posts. In this paper, both classical classification algorithms and various neural network architectures were tested. In the initial stage of the research, reference is made to many state of the art techniques that already exist in this field. Then, we analyze the techniques we will use in their general framework, but also the specific modifications that need to be made in order to be able to use them to solve our specific problem. In the context of this thesis, a mechanism will be developed to recognize the emotional information conveyed in Natural Language sentences. The system to be developed will, firstly, analyze the Natural Language sentence and extract the appropriate information, e.g. sentence structure, keywords carrying emotional information etc. All this will be done with known data pre-processing and conversion techniques. The system will then, identify and categorize the existence of emotions using machine learning and knowledge-based techniques. Several machine learning models and various combinations of these models were studied and analysed. Initially different classical machine learning classification algorithms were used and then different types of neural networks were used. Then experiments were conducted using these models on a variety of datasets used in previous research and at the end of the research all approaches were evaluated, the results of the experiments of each approach were compared with related work and the corresponding observations were made. The main objective is to study the existing techniques and to try to improve them through further training and through their combined use. The results of the research show that there is room for improvement in this area, but at the same time several of the models, especially the combinatorial ones, managed to catch up or even surpass some of the existing state of the art techniques. 2021-10-06T07:07:50Z 2021-10-06T07:07:50Z 2021-10-05 http://hdl.handle.net/10889/15269 gr application/pdf application/octet-stream |
