Συγκριτική μελέτη αλγορίθμων βαθιάς μάθησης

Abstract

Η εργασία εξετάζει την ταξινόμηση συναισθημάτων σε κείμενα με τη χρήση προηγμένων μοντέλων μηχανικής μάθησης, όπως το BERT, το Ensemble of BERT Models και ένα Linear Layer. Χρησιμοποιήθηκαν τρία σύνολα δεδομένων σε μορφή CSV, περιέχοντας πολλαπλές ετικέτες συναισθημάτων. Τα δεδομένα επεξεργάστηκαν μέσω καθαρισμού, tokenization, padding και διαχωρισμού σε σύνολα εκπαίδευσης και αξιολόγησης. Η μεθοδολογία περιλάμβανε: • Εκπαίδευση πολλαπλών μοντέλων BERT με στόχο τη βελτίωση της ακρίβειας. • Υπολογισμό μετρικών, όπως AUROC και F1-score, για την αξιολόγηση των μοντέλων. • Χρήση τεχνικής Ensemble για τη συνδυαστική ενίσχυση της απόδοσης των μοντέλων. Τα αποτελέσματα δείχνουν ακρίβεια που αγγίζει το 0.93 AUROC για συναισθήματα όπως "admiration", "gratitude", και "love", με σημαντική βελτίωση στην ταξινόμηση έναντι παραδοσιακών μεθόδων. Παρόλο που υπήρξαν περιορισμοί σε συναισθήματα όπως "pride" και "relief", η χρήση της προσέγγισης Ensemble μείωσε τις επιδόσεις των χαμηλότερων κλάσεων.