Πολυτροπική ανάλυση συναισθήματος
Η Πολυτροπική Ανάλυση Συναισθήματος αποτελεί ένα καίριο θέμα για την επιστήμη και την τεχνολογία. Με τη χρήση των μέσων κοινωνικής δικτύωσης, όπως είναι το Facebook, το Twitter και το Instagram, τα άτομα με βάση τη δική τους οπτική γωνία και τις δικές τους εμπειρίες έχουν τη δυνατότητα να δημοσιεύσο...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16321 |
| id |
nemertes-10889-16321 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Εξόρυξη δεδομένων Ανάλυση συναισθήματος Εικόνα Κείμενο Ήχος Machine learning Data mining Sentiment analysis Image Text Speech |
| spellingShingle |
Μηχανική μάθηση Εξόρυξη δεδομένων Ανάλυση συναισθήματος Εικόνα Κείμενο Ήχος Machine learning Data mining Sentiment analysis Image Text Speech Αναστασοπούλου, Αικατερίνη Πολυτροπική ανάλυση συναισθήματος |
| description |
Η Πολυτροπική Ανάλυση Συναισθήματος αποτελεί ένα καίριο θέμα για την επιστήμη και την τεχνολογία. Με τη χρήση των μέσων κοινωνικής δικτύωσης, όπως είναι το Facebook, το Twitter και το Instagram, τα άτομα με βάση τη δική τους οπτική γωνία και τις δικές τους εμπειρίες έχουν τη δυνατότητα να δημοσιεύσουν τις απόψεις τους για ποικίλα θέματα. Πλέον, οι χρήστες
χρησιμοποιούν διαφορετικούς τρόπους για την εκδήλωση των συναισθημάτων τους, όπως είναι η δημοσίευση εικόνων, η συγγραφή περιεκτικών σε έκταση (ή/και μακροσκελών) κειμένων (γνωστά ως posts) ή ακόμα και μέσω βίντεο. Η παρούσα διπλωματική εργασία εστιάζει στο θέμα της Πολυτροπικής Ανάλυσης Συναισθήματος και συγκεκριμένα, στην ανάλυση βίντεο, από τα οποία αντλούνται δεδομένα εικόνας, κειμένου και ήχου.
Αναλυτικότερα, στο πρώτο μέρος της παρούσας εργασίας ο αναγνώστης συναντά μια σύντομη εισαγωγή, όπου περιγράφονται βασικές έννοιες για τα συναισθήματα. Επίσης, παρουσιάζεται μια ιστορική αναδρομή για την ανάπτυξη του κλάδου της ανάλυσης συναισθήματος από τα δεδομένα των τριών παραπάνω πηγών. Στο δεύτερο μέρος της εργασίας αναλύονται μέθοδοι προεπεξεργασίας και εξαγωγής χαρακτηριστικών για κάθε πηγή ξεχωριστά. Ως εκ τούτου, το Κεφάλαιο 2 αφορά τα βασικά στάδια για την προετοιμασία των δεδομένων κειμένου για την είσοδό τους σε κάποιο μοντέλο ταξινόμησης. Στο Κεφάλαιο 3 περιγράφονται τεχνικές για το μετασχηματισμό έγχρωμων και ασπρόμαυρων εικόνων. Επιπλέον, στο κεφάλαιο αυτό συναντώνται και τα στάδια προεπεξεργασίας εικόνων με πρόσωπα. Ακολουθεί το Κεφάλαιο 4, με την ανάλυση βασικών εννοιών και μεθόδων για την προετοιμασία των δεδομένων ήχου και την εξαγωγή των αντίστοιχων χαρακτηριστικών. Στο τρίτο μέρος, και το Κεφάλαιο 5, περιγράφονται οι τεχνικές σύντηξης των χαρακτηριστικών από διαφορετικές πηγές. Στο ίδιο κεφάλαιο αναλύεται η θεωρία των Τεχνητών
Νευρωνικών Δικτύων, καθώς και κάποιες βασικές αρχιτεκτονικές Βαθιάς Μάθησης. Στο τέταρτο μέρος, στο Κεφάλαιο 6, παρουσιάζονται τα αποτελέσματα της εφαρμογής από τη σύντηξη των χαρακτηριστικών κειμένου, εικόνας και ήχου. Η διπλωματική εργασία ολοκληρώνεται με το πέμπτο μέρος, όπου στο Κεφάλαιο 7 παρουσιάζεται η σύνοψη της εργασίας, τα συμπεράσματα που απορρέουν από την ανάλυση της σύντηξης των δεδομένων διαφορετικών πηγών και οι προκλήσεις που συναντώνται κατά την έρευνα του συγκεκριμένου πεδίου. |
| author2 |
Anastasopoulou, Aikaterini |
| author_facet |
Anastasopoulou, Aikaterini Αναστασοπούλου, Αικατερίνη |
| author |
Αναστασοπούλου, Αικατερίνη |
| author_sort |
Αναστασοπούλου, Αικατερίνη |
| title |
Πολυτροπική ανάλυση συναισθήματος |
| title_short |
Πολυτροπική ανάλυση συναισθήματος |
| title_full |
Πολυτροπική ανάλυση συναισθήματος |
| title_fullStr |
Πολυτροπική ανάλυση συναισθήματος |
| title_full_unstemmed |
Πολυτροπική ανάλυση συναισθήματος |
| title_sort |
πολυτροπική ανάλυση συναισθήματος |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16321 |
| work_keys_str_mv |
AT anastasopoulouaikaterinē polytropikēanalysēsynaisthēmatos AT anastasopoulouaikaterinē multimodalsentimentanalysis |
| _version_ |
1771297245614833664 |
| spelling |
nemertes-10889-163212022-09-05T14:00:05Z Πολυτροπική ανάλυση συναισθήματος Multimodal sentiment analysis Αναστασοπούλου, Αικατερίνη Anastasopoulou, Aikaterini Μηχανική μάθηση Εξόρυξη δεδομένων Ανάλυση συναισθήματος Εικόνα Κείμενο Ήχος Machine learning Data mining Sentiment analysis Image Text Speech Η Πολυτροπική Ανάλυση Συναισθήματος αποτελεί ένα καίριο θέμα για την επιστήμη και την τεχνολογία. Με τη χρήση των μέσων κοινωνικής δικτύωσης, όπως είναι το Facebook, το Twitter και το Instagram, τα άτομα με βάση τη δική τους οπτική γωνία και τις δικές τους εμπειρίες έχουν τη δυνατότητα να δημοσιεύσουν τις απόψεις τους για ποικίλα θέματα. Πλέον, οι χρήστες χρησιμοποιούν διαφορετικούς τρόπους για την εκδήλωση των συναισθημάτων τους, όπως είναι η δημοσίευση εικόνων, η συγγραφή περιεκτικών σε έκταση (ή/και μακροσκελών) κειμένων (γνωστά ως posts) ή ακόμα και μέσω βίντεο. Η παρούσα διπλωματική εργασία εστιάζει στο θέμα της Πολυτροπικής Ανάλυσης Συναισθήματος και συγκεκριμένα, στην ανάλυση βίντεο, από τα οποία αντλούνται δεδομένα εικόνας, κειμένου και ήχου. Αναλυτικότερα, στο πρώτο μέρος της παρούσας εργασίας ο αναγνώστης συναντά μια σύντομη εισαγωγή, όπου περιγράφονται βασικές έννοιες για τα συναισθήματα. Επίσης, παρουσιάζεται μια ιστορική αναδρομή για την ανάπτυξη του κλάδου της ανάλυσης συναισθήματος από τα δεδομένα των τριών παραπάνω πηγών. Στο δεύτερο μέρος της εργασίας αναλύονται μέθοδοι προεπεξεργασίας και εξαγωγής χαρακτηριστικών για κάθε πηγή ξεχωριστά. Ως εκ τούτου, το Κεφάλαιο 2 αφορά τα βασικά στάδια για την προετοιμασία των δεδομένων κειμένου για την είσοδό τους σε κάποιο μοντέλο ταξινόμησης. Στο Κεφάλαιο 3 περιγράφονται τεχνικές για το μετασχηματισμό έγχρωμων και ασπρόμαυρων εικόνων. Επιπλέον, στο κεφάλαιο αυτό συναντώνται και τα στάδια προεπεξεργασίας εικόνων με πρόσωπα. Ακολουθεί το Κεφάλαιο 4, με την ανάλυση βασικών εννοιών και μεθόδων για την προετοιμασία των δεδομένων ήχου και την εξαγωγή των αντίστοιχων χαρακτηριστικών. Στο τρίτο μέρος, και το Κεφάλαιο 5, περιγράφονται οι τεχνικές σύντηξης των χαρακτηριστικών από διαφορετικές πηγές. Στο ίδιο κεφάλαιο αναλύεται η θεωρία των Τεχνητών Νευρωνικών Δικτύων, καθώς και κάποιες βασικές αρχιτεκτονικές Βαθιάς Μάθησης. Στο τέταρτο μέρος, στο Κεφάλαιο 6, παρουσιάζονται τα αποτελέσματα της εφαρμογής από τη σύντηξη των χαρακτηριστικών κειμένου, εικόνας και ήχου. Η διπλωματική εργασία ολοκληρώνεται με το πέμπτο μέρος, όπου στο Κεφάλαιο 7 παρουσιάζεται η σύνοψη της εργασίας, τα συμπεράσματα που απορρέουν από την ανάλυση της σύντηξης των δεδομένων διαφορετικών πηγών και οι προκλήσεις που συναντώνται κατά την έρευνα του συγκεκριμένου πεδίου. Multimodal Sentiment Analysis is a key topic for science and technology. By using social media, such as Facebook, Twitter and Instagram, people based on their own perspective and their own experiences have the opportunity to publish their views on a variety of topics. Users have now different ways to express their feelings, such as publication of images, the writing of comprehensive (and/or lengthy) texts (known as posts) or even via video. This dissertation focuses on the issue of Multimodal Sentiment Analysis, in particular, in video analysis, of which image, text, and audio data are drawn. In more detail, in the first part of this work the reader encounters a brief introduction, describing basic concepts of emotions. There is also historical elements about the development of the sentiment analysis from the data of the above three sources. The second part of the work analyses methods of preprocessing and feature extraction for each source separately. Therefore, Chapter 2 focuses on the main stages in preparing text data for their entry into the classification model. Chapter 3 describes techniques for transforming color and black and white images. In addition, this chapter meets the stages of preprocessing images with faces. This is followed by Chapter 4, by analysing basic concepts and methods for preparing audio data and extracting the corresponding features. The third part, and Chapter 5, describes the fusion techniques of the characteristics from different sources. In the same chapter, the theory of Artificial Neural Networks is analyzed, as well as some basic classification algorithms. The fourth part, Chapter 6, presents the results of the implementation by fusion text, image, and audio features. The dissertation is completed with the Part 5, where Chapter 7 presents the summary of the work, the conclusions drawn by the resulting from the analysis of the fusion of data from different sources and the challenges encountered in the investigation of this field. 2022-06-29T07:32:39Z 2022-06-29T07:32:39Z 2021-06-23 http://hdl.handle.net/10889/16321 gr application/pdf |
