Ανάλυση συναισθημάτων σε πλατφόρμες κοινωνικών δικτύων μέσω τεχνικών επεξεργασίας φυσικής γλώσσας

Καγκλή, Αικατερίνη

dc.contributor.advisor	Σωτηρόπουλος, Διονύσιος
dc.contributor.author	Καγκλή, Αικατερίνη
dc.date.accessioned	2025-07-11T09:54:01Z
dc.date.available	2025-07-11T09:54:01Z
dc.date.issued	2025-06
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17939
dc.description.abstract	Η ανάλυση συναισθημάτων στα κοινωνικά δίκτυα έχει εξελιχθεί σε ένα θεμελιώδες εργαλείο για την παρατήρηση της κοινής γνώμης και των κοινωνικών τάσεων σε διάφορους τομείς όπως οι επιχειρήσεις, η υγειονομική περίθαλψη και η πολιτική. Η παρούσα προπτυχιακή διατριβή εξετάζει την αποτελεσματικότητα της βαθιάς μάθησης βασισμένη σε μετασχηματιστές(transformers) και συγκεκριμένα εστιάζει στο μοντέλο BERT(Bidirectional Encoder Representations from Transformers), για την ταξινόμηση συναισθημάτων σε κείμενο προερχόμενο από κοινωνικά δίκτυα. Χρησιμοποιώντας την βάση δεδομένων GoEmotions, η οποία αποτελείται από σχόλια του κοινωνικού δικτύου Reddit ταξινομημένα σε 28 διαφορετικά συναισθήματα, αναπτύσσεται και αξιολογείται ένα ολοκληρωμένο μοντέλο ανίχνευσης συναισθημάτων πολλαπλών ετικετών. Η μέθοδος περιλαμβάνει αυστηρή προ-επεξεργασία δεδομένων, στρατηγικές για αντιμετώπιση της ανισορροπίας των ετικετών και συστηματική βελτιστοποίηση υπερπαραμέτρων για την τελειοποίηση του μοντέλου BERT για την ταξινόμηση συναισθημάτων πολλαπλών ετικετών. Τα πειραματικά αποτελέσματα υποδεικνύουν πως η απόδοση του μοντέλου, όπως μετράται με micro και macro βαθμολογίες F1 και τη συνολική ακρίβεια, βελτιώνεται ουσιαστικά με αυξημένα δεδομένα και εκτεταμένη διάρκεια εκπαίδευσης. Η ανάλυση των σφαλμάτων υπογραμμίζει περεταίρω τις επίμονες προκλήσεις συμπεριλαμβανομένης της ανισορροπίας ετικετών και του εντοπισμού διφορούμενων ή επικαλυπτόμενων συναισθηματικών εκφράσεων. Για την αξιολόγηση της δυνατότητας εφαρμογής στον πραγματικό κόσμο, το εκπαιδευμένο μοντέλο δοκιμάζεται σε σύγχρονα δεδομένα από το X (πρώην Twitter), επιτρέποντας την παρακολούθηση συναισθημάτων σε ζωντανές ροές μέσων κοινωνικής δικτύωσης. Τα ευρήματα υπογραμμίζουν τόσο τους πιθανούς όσο και τους τρέχοντες περιορισμούς των προσεγγίσεων βαθιάς μάθησης για την ανάλυση συναισθημάτων σε θορυβώδες κείμενο που δημιουργείται από τον χρήστη. Παρέχονται συστάσεις για μελλοντική έρευνα, συμπεριλαμβανομένων προηγμένων τεχνικών ανισορροπίας των δεδομένων, την ενίσχυση της προσαρμογής του τομέα και την αντιμετώπιση ηθικών ζητημάτων που σχετίζονται με την αναγνώριση συναισθημάτων μεγάλης κλίμακας.	el
dc.format.extent	99	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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.title	Ανάλυση συναισθημάτων σε πλατφόρμες κοινωνικών δικτύων μέσω τεχνικών επεξεργασίας φυσικής γλώσσας	el
dc.title.alternative	Sentiment analysis in social media platforms through NLP techniques	el
dc.type	Bachelor Dissertation	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	The analysis of sentiment and emotion in social media content has become an essential tool for gauging public opinion and societal trends across diverse domains such as business, healthcare, and politics. This dissertation examines the effectiveness of transformer-based deep learning models, with a particular focus on BERT (Bidirectional Encoder Representations from Transformers), for the task of fine-grained emotion classification in social media text. Utilizing the GoEmotions dataset, which consists of Reddit comments annotated with 28 distinct emotion categories, a comprehensive multi-label emotion detection pipeline is developed and evaluated. The methodology encompasses rigorous data preprocessing, strategies for addressing class imbalance, and systematic hyperparameter optimization to fine-tune BERT for multi-label emotion classification. Experimental results indicate that model performance, as measured by micro and macro F1 scores and overall accuracy, improves substantially with increased training data and extended training duration. Error analysis further highlights persistent challenges, including class imbalance and the detection of ambiguous or overlapping emotional expressions. To assess real-world applicability, the trained model is deployed on contemporary X data(previously known as Twitter), enabling emotion monitoring within live social media streams. The findings underscore both the potential and current limitations of deep learning approaches for emotion analysis in noisy, user generated text. Recommendations are provided for future research, including advanced techniques for managing data imbalance, enhancing domain adaptation, and addressing ethical considerations associated with large-scale emotion recognition.	el
dc.subject.keyword	Ανάλυση συναισθημάτων	el
dc.subject.keyword	Transformers	el
dc.subject.keyword	BERT	el
dc.subject.keyword	Κοινωνικά δίκτυα	el
dc.subject.keyword	Πολυετικετική ταξινόμηση	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	Sentiment analysis	el
dc.subject.keyword	Social media	el
dc.subject.keyword	Multilabel classification	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	Επεξεργασία φυσικής γλώσσας	el
dc.subject.keyword	Natural language processing	el
dc.date.defense	2025-06-20

Files in this item

Name:: Καγκλή_16037.pdf
Size:: 9.367Mb
Format:: PDF
Description:: Πτυχιακή εργασία

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα