| Περίληψη: | Η αναγνώριση συναισθηματικού περιεχομένου της Φυσικής Γλώσσας μπορεί να βελτιώσει κατά πολύ την επικοινωνία ανθρώπου και υπολογιστή 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 ανάπτυξη των μέσων κοινωνικής δικτύωσης και η δυνατότητα των χρηστών μέσω αυτών να εκφράζουν ελεύθερα την γνώμη τους πάνω σε όλα τα θέματα της επικαιρότητας, αύξησε την ανάγκη για τη μελέτη και την καταγραφή της χρήσης τους. Έτσι, στα πλαίσια της παρούσας διπλωματικής εργασίας θα αναπτυχθεί μηχανισμός αναγνώρισης της συναισθηματικής πληροφορίας που μεταφέρεται σε προτάσεις Φυσικής Γλώσσας. Στο αρχικό στάδιο της έρευνας, γίνεται αναφορά σε πολλές state of the art τεχνικές που υπάρχουν ήδη στον συγκεκριμένο τομέα. Ύστερα, γίνεται η κατάλληλη προ-επεξεργασία και μετατροπή των δεδομένων, με γνωστές τεχνικές, για την εξαγωγή των κατάλληλων πληροφοριών και λέξεων-κλειδιών που φέρουν συναισθηματική πληροφορία. Ο κύριος στόχος της παρούσας εργασίας είναι η υλοποίηση του προ-εκπαιδευμένου μετασχηματιστή BERT, καθώς και η μελέτη της απόδοσης του, όσον αφορά τον προσδιορισμό και την ανίχνευση συναισθημάτων στα σχόλια χρηστών στα κοινωνικά δίκτυα. Αναλύεται το γενικό πλαίσιο του BERT, περιγράφεται αναλυτικά η διαδικασία υλοποίησης του και οι ειδικές μετατροπές που χρειάστηκαν να γίνουν για την λύση του συγκεκριμένου προβλήματος. Στη συνέχεια, υλοποιήθηκαν και δοκιμάστηκαν τόσο κλασικοί αλγόριθμοι ταξινόμησης όσο και διάφορες αρχιτεκτονικές νευρωνικών δικτύων, για να μελετηθεί η απόδοση του BERT σε σχέση με τα άλλα μοντέλα. Έπειτα, διεξάχθηκαν πειράματα με την χρήση των μοντέλων αυτών σε ένα αξιοσημείωτο πλήθος συνόλων δεδομένων. Στο τέλος της έρευνας αξιολογήθηκαν όλες οι προσεγγίσεις, συγκρίθηκαν τα αποτελέσματα τους και έγιναν οι ανάλογες παρατηρήσεις. Τελικός στόχος είναι η μελέτη της απόδοσης και της συμπεριφοράς του μοντέλου BERT, συγκρινόμενο με τα υπόλοιπα μοντέλα. Τα αποτελέσματα της έρευνας έδειξαν ότι παρόλο που το BERT μπορεί να πετύχει καλύτερη απόδοση από τους κλασικούς αλγορίθμους και αρκετά νευρωνικά δίκτυα, έχει επιπλέον περιθώρια βελτίωσης και μελέτης.
|
|---|
