Τransformer neural networks for predicting movie ratings
| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Dimitriadou, Eleftheria | |
| dc.contributor.author | Δημητριάδου, Ελευθερία | |
| dc.date.accessioned | 2026-02-12T06:54:18Z | |
| dc.date.available | 2026-02-12T06:54:18Z | |
| dc.date.issued | 2026-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18873 | |
| dc.description.abstract | Η υλοποίηση ενός συστήματος τεχνητής νοημοσύνης για τη πρόβλεψη της βαθμολόγησης ταινιών από το κοινό με τη χρήση του περιεχόμενο κειμένου από τις κριτικές χρηστών αποτελεί μια σύνθετη πρόκληση λόγω του τόνου, συναισθήματος και των υπονοουμένων που μπορεί να περιέχονται στην φυσική γλώσσα. Οι παραδοσιακές προσεγγίσεις σχεδιασμού μοντέλων πρόβλεψης δεν μπορούν να εντοπίσουν την ειρωνεία, τον σαρκασμό και άλλες «κρυφές» συναισθηματικές έννοιες που μπορεί να εμπεριέχονται σε μικρά κείμενα κριτικών γραμμένα από ανθρώπους, με αποτέλεσμα να οδηγούνται σε λανθασμένες προβλέψεις. Ο σχεδιασμός και η βελτίωση τεχνικής για τη δυνατότητα μιας τέτοιας πρόβλεψης μπορεί να χρησιμεύσει για πολλούς λόγους. Πρακτική εφαρμογή της θα μπορούσε να αποτελέσει η ενίσχυση συστημάτων προτάσεων ταινιών, επιτρέποντας στις διάφορες υπηρεσίες και πλατφόρμες μετάδοσης περιεχομένου να προτείνουν ταινίες όχι μόνο βάσει των αριθμητικών βαθμολογιών, και των κουμπιών «like», αλλά και με βάση το συναίσθημα των κειμένων των κριτικών. Παράλληλα η υλοποίηση ενός τέτοιου συστήματος μπορεί να οδηγήσει σε αυτοματοποίηση ανάλυσης κριτικών, που να αναλύει σε περισσότερο βάθος τους επιμέρους παράγοντες που κάνουν μία ταινία επιτυχημένη ή αποτυχημένη, δίνοντας κατεύθυνση στις παραγωγές σχετικά με τις προτιμήσεις του κοινού. Επιπλέον, οι τρέχουσες βαθμολογίες στο IMDb βασίζονται σε ανθρώπινες απόψεις οι οποίες συχνά μπορεί να μην αντικατοπτρίζουν την αντικειμενική γνώμη του συγγραφέα και να είναι προκατειλημμένες ή να έχουν επηρεαστεί από εξωτερικούς παράγοντες, όπως η υπερβολική διαφήμιση, ο χρηματισμός, οι αντιπαραθέσεις ή η αφοσίωση των θαυμαστών. Αυτό δημιουργεί την ανάγκη για μια πιο αντικειμενική μέθοδο βαθμολόγησης. Η παρούσα εργασία εξετάζει μια μέθοδο που αξιοποιεί την ικανότητα του μοντέλου BERT να κωδικοποιεί το συμφραζόμενο της γλώσσας, με την ευελιξία που προσφέρουν οι αρχιτεκτονικές μηχανικής μάθησης για τη βελτίωση της ακρίβειας πρόβλεψης βαθμολογιών. Το προτεινόμενο σύστημα στοχεύει να βρει τη σύνδεση μεταξύ συναισθηματικού περιεχομένου κειμένων κριτικών και αριθμητικής αξιολόγησης. Αυτός ο συνδυασμός τεχνολογιών μπορεί να οδηγήσει στη βελτίωση της ακρίβειας και της αξιοπιστίας των προβλέψεων βαθμολογίας, προσφέροντας μια πιο αποτελεσματική λύση σε σχέση με τις παραδοσιακές μεθόδους. | el |
| dc.format.extent | 54 | el |
| dc.language.iso | en | 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 | Τransformer neural networks for predicting movie ratings | el |
| dc.title.alternative | Τransformer νευρωνικά δίκτυα για πρόβλεψη βαθμολογιών ταινιών | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Implementing an artificial intelligence system for predicting movie ratings by utilizing text content from user reviews is a complex challenge due to the tone, emotion and innuendo that can be embedded in natural human language. Traditional approaches of designing prediction models cannot detect irony, sarcasm and other “hidden” emotional meanings that may be present in brief review texts written by humans, resulting in incorrect predictions. Designing and refining a method for such prediction can serve many purposes. A practical application could be to enhance movie recommendation systems, allowing various content delivery services and streaming platforms to recommend films not only based on numerical ratings and “like” buttons, but also on the sentiment expressed in text reviews. At the same time, the implementation of a system like this could lead to the automation of review analysis, which would analyze in greater depth the individual factors that make a movie successful or unsuccessful, providing guidance to producers regarding audience preferences. Furthermore, current IMDb ratings are based on human opinions, which often may not reflect the author’s objective opinion and may be biased or influenced by external factors such as excessive advertising, monetization, controversies, or fan loyalty. This creates a need for a more objective rating method. This paper examines a method that utilizes the ability of the BERT model to encode language context, with the flexibility offered by machine learning architectures to improve rating prediction accuracy. The proposed system aims to find the connection between the emotional content of review texts and numerical ratings. This combination of technologies can lead to improved accuracy and reliability of rating predictions, offering a more effective solution than traditional methods. | el |
| dc.subject.keyword | Sentiment analysis | el |
| dc.subject.keyword | BERT embeddings | el |
| dc.subject.keyword | Neural networks | el |
| dc.subject.keyword | Natural Language Processing (NLP) | el |
| dc.subject.keyword | Deep learning | el |
| dc.subject.keyword | Transformer neural networks | el |
| dc.subject.keyword | Movie rating prediction | el |
| dc.date.defense | 2026-01-26 |
Files in this item
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα